論文の概要: How is Machine Learning Useful for Macroeconomic Forecasting?
- arxiv url: http://arxiv.org/abs/2008.12477v1
- Date: Fri, 28 Aug 2020 04:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:31:59.300554
- Title: How is Machine Learning Useful for Macroeconomic Forecasting?
- Title(参考訳): 機械学習はマクロ経済予測にどのように役立つか?
- Authors: Philippe Goulet Coulombe, Maxime Leroux, Dalibor Stevanovic,
St\'ephane Surprenant
- Abstract要約: 標準的なマクロ計量法よりもMLゲインを駆動する基礎的特徴の有用性について検討する。
我々は, いわゆる4つの特徴(非線形性, 正規化, クロスバリデーション, 代替損失関数)を区別し, データリッチ環境とデータ貧弱環境の両方でそれらの挙動を研究する。
このことは機械学習が不確実性や金銭的摩擦の文脈で発生する重要な非線形性を主に捉え、マクロ経済予測に有用であることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We move beyond "Is Machine Learning Useful for Macroeconomic Forecasting?" by
adding the "how". The current forecasting literature has focused on matching
specific variables and horizons with a particularly successful algorithm. In
contrast, we study the usefulness of the underlying features driving ML gains
over standard macroeconometric methods. We distinguish four so-called features
(nonlinearities, regularization, cross-validation and alternative loss
function) and study their behavior in both the data-rich and data-poor
environments. To do so, we design experiments that allow to identify the
"treatment" effects of interest. We conclude that (i) nonlinearity is the true
game changer for macroeconomic prediction, (ii) the standard factor model
remains the best regularization, (iii) K-fold cross-validation is the best
practice and (iv) the $L_2$ is preferred to the $\bar \epsilon$-insensitive
in-sample loss. The forecasting gains of nonlinear techniques are associated
with high macroeconomic uncertainty, financial stress and housing bubble
bursts. This suggests that Machine Learning is useful for macroeconomic
forecasting by mostly capturing important nonlinearities that arise in the
context of uncertainty and financial frictions.
- Abstract(参考訳): Is Machine Learning Useful for Macroeconomic Forecasting?”を追加することで、“Is Machine Learning Useful for Macroeconomic Forecasting?
現在の予測文献は、特に成功したアルゴリズムで特定の変数と水平線をマッチングすることに焦点を当てている。
対照的に、標準的なマクロ計量法よりもMLゲインを駆動する基礎的特徴の有用性について検討する。
我々は,いわゆる4つの特徴(非線形性,正規化,クロスバリデーション,代替損失関数)を区別し,データリッチ環境とデータポーア環境での挙動について検討した。
そこで我々は、関心の「処理」効果を識別できる実験を設計する。
結論として
(i)非線形性はマクロ経済予測の真のゲームチェンジャーである。
(ii) 標準因子モデルが最高の正規化のままである。
(iii)K折りクロスバリデーションはベストプラクティスであり、
(iv)$L_2$は$\bar \epsilon$-insensitive in-sample lossよりも好まれる。
非線形手法の予測利得は, マクロ経済の不確実性, 金融ストレス, 住宅バブルバーストと関連している。
これは機械学習が不確実性や金銭的摩擦の文脈で発生する重要な非線形性を主に捉え、マクロ経済予測に有用であることを示唆している。
関連論文リスト
- Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳(メタデータ) (2023-11-03T13:20:11Z) - Dynamic Term Structure Models with Nonlinearities using Gaussian
Processes [0.0]
本稿では,ガウス型DTSMの一般化されたモデリング構成を提案する。
我々は,モデル非線形性に先立ってガウス過程を導入する,独自の連続モンテカルロ推定および予測スキームを構築した。
実際の経済活動とは異なり、コアインフレーションの場合、線形モデルと比較すると、非線形モデルの適用は、考慮された成熟度全体にわたる経済的価値の統計的に有意な上昇をもたらすことが分かる。
論文 参考訳(メタデータ) (2023-05-18T14:24:17Z) - Bayesian Neural Networks for Macroeconomic Analysis [0.0]
政策機関のマクロ経済分析によく用いられるデータセットを扱うのに適したベイズニューラルネットワーク(BNN)を開発した。
本手法は,アクティベーション関数の新規な混合仕様を用いて,広範な仕様検索を回避する。
我々のBNNは、通常、他の機械学習手法よりも正確な密度予測を生成する。
論文 参考訳(メタデータ) (2022-11-09T09:10:57Z) - Macroeconomic Predictions using Payments Data and Machine Learning [0.0]
本研究の目的は,非伝統的かつタイムリーなデータによって政策立案者がほぼリアルタイムで重要なマクロ経済指標を正確に推定する洗練されたモデルを提供できることを示すことである。
我々は、機械学習モデルにおける過度な適合と解釈可能性の課題を軽減し、ポリシー使用の有効性を改善するための、一連の計量的ツールを提供する。
支払いデータ、非線形手法、クロスバリデーション(クロスバリデーション)アプローチを備えた当社のモデルは、新型コロナウイルス(COVID-19)の期間中に上昇するマクロ経済の予測精度を最大40%向上させるのに役立ちます。
論文 参考訳(メタデータ) (2022-09-02T11:12:10Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳(メタデータ) (2021-10-24T10:23:51Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Macroeconomic Data Transformations Matter [0.0]
低次元線形回帰設定では、予測子の線形変換/組合せを考えると、予測は変化しない。
これはまさに機械学習(ML)マクロ経済予測環境のファブリックである。
従来の要因はほとんど常に予測因子として含めるべきである。
論文 参考訳(メタデータ) (2020-08-04T17:34:43Z) - Provable tradeoffs in adversarially robust classification [96.48180210364893]
我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。
この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
論文 参考訳(メタデータ) (2020-06-09T09:58:19Z) - Budget Learning via Bracketing [50.085728094234476]
予算学習の問題は、学習者の目標として、雲の使用を最小限に抑えつつ、精度の明確な損失を被ることである。
本稿ではブラケットの概念を用いてBL問題に対する新しい定式化を提案する。
我々は、実世界のデータセットに関する我々の理論を実証的に検証し、事前ゲーティングに基づく手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-04-14T04:38:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。