本文使用机器学习来预测德国经济中的业务周期，其中具有73个指标的高维数据集，主要来自经合组织的主要经济指标数据库，涵盖了1973年至2023年的时间段。顺序浮动前进选择（SFF）用于选择最相关的指标并构建紧凑，可解释和性能模型。因此，使用正规化回归模型（Lasso，Ridge）和基于树的分类模型（随机森林和Logit Boost）用作挑战者模型，以优于包含术语扩展作为预测指标的概率模型。所有模型均经过1973 - 2006年的数据培训，并从2006年开始对持有样本进行了评估。研究表明，建模衰退所需的指标较少。使用SFF构建的模型最多有11个指标。此外，研究环境表明，许多指标在时间和业务周期之间都是稳定的。机器学习模型被证明在定量宽松期间（术语传播的预测能力减少时）在预测衰退时特别有效。这些发现有助于对在经济预测中使用机器学习的持续讨论，尤其是在有限和不平衡数据的背景下。