論文の概要: Benchmarking Econometric and Machine Learning Methodologies in Nowcasting

• arxiv url: http://arxiv.org/abs/2205.03318v1
• Date: Fri, 6 May 2022 15:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 13:22:30.936740
• Title: Benchmarking Econometric and Machine Learning Methodologies in Nowcasting
• Title（参考訳）: nowcastingにおけるeconometricおよびmachine learning方法論のベンチマーク
• Authors: Daniel Hopp
• Abstract要約: Nowcastingは、政策立案者に対して、かなりのタイムラグで公表されたデータに対するタイムリな洞察を与える上で、重要な役割を果たす可能性がある。 本稿では、米国の四半期GDP成長の予測において、12の異なる手法の性能について検討する。 アメリカ経済史の3つの異なる期間において、パフォーマンスが評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nowcasting can play a key role in giving policymakers timelier insight to data published with a significant time lag, such as final GDP figures. Currently, there are a plethora of methodologies and approaches for practitioners to choose from. However, there lacks a comprehensive comparison of these disparate approaches in terms of predictive performance and characteristics. This paper addresses that deficiency by examining the performance of 12 different methodologies in nowcasting US quarterly GDP growth, including all the methods most commonly employed in nowcasting, as well as some of the most popular traditional machine learning approaches. Performance was assessed on three different tumultuous periods in US economic history: the early 1980s recession, the 2008 financial crisis, and the COVID crisis. The two best performing methodologies in the analysis were long short-term memory artificial neural networks (LSTM) and Bayesian vector autoregression (BVAR). To facilitate further application and testing of each of the examined methodologies, an open-source repository containing boilerplate code that can be applied to different datasets is published alongside the paper, available at: github.com/dhopp1/nowcasting_benchmark.
• Abstract（参考訳）: nowcastingは、ファイナルgdpの数値など、大きな時間遅れで公表されたデータに対する、政策立案者にタイムリーな洞察を与える上で、重要な役割を果たす。 現在、実践者が選択できる方法論やアプローチはたくさんあります。 しかし、予測性能と特性の観点からこれらの異なるアプローチを包括的に比較することはできない。 本稿は、現在最もよく使われている方法や、最もポピュラーな機械学習アプローチを含む、米国の四半期GDP成長の予測において、12の異なる方法論のパフォーマンスを調べることで、不足を解消するものである。 業績は1980年代初めの景気後退、2008年の金融危機、新型コロナウイルス危機の3つの異なる時期において評価された。 この分析における2つの最良の手法は、長期記憶人工ニューラルネットワーク(LSTM)とベイズベクトル自己回帰(BVAR)である。 調査対象の各方法論のさらなる適用とテストを容易にするため,さまざまなデータセットに適用可能な定型コードを含むオープンソースリポジトリが,論文とともに公開されている。

関連論文リスト

• Some variation of COBRA in sequential learning setup [0.0]
  我々は予測の振る舞いに根本的な変化をもたらす特定のデータ前処理技術を用いる。 提案手法は,すべての最先端比較モデルより優れている。 本稿では,暗号通貨,株価指数,短期負荷予測という3つのカテゴリの8つの時系列データセットによる方法論を概説する。
  論文  参考訳（メタデータ） (2024-04-07T17:41:02Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Lessons Learned Applying Deep Learning Approaches to Forecasting Complex Seasonal Behavior [0.0]
  本稿では,大手金融サービス企業におけるコールセンターボリューム予測におけるニューラルネットワークの適用性について検討する。 本稿では,Elman (simple), Long Short-Term Memory (LTSM), Gated Recurrent Unit (GRU) RNNのパラメータ設定と収束基準の最適化について検討する。 多くの異なる"スキル"(インカムコールストリーム)にわたる実際のコールセンタデータを用いた設計実験は、最もよく観察されたRNN構成の検証エラー率によって測定された性能と、他の近代的および古典的な予測手法との比較である。
  論文  参考訳（メタデータ） (2023-01-04T07:42:21Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• 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)
• ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
  我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。 実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
  論文  参考訳（メタデータ） (2021-11-08T03:36:06Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Forecasting day-ahead electricity prices: A review of state-of-the-art algorithms, best practices and an open-access benchmark [14.377733907729072]
  電力価格予測の分野は、過去20年間に多くの貢献から恩恵を受けている。 後者はしばしば、公開されていないユニークなデータセットを使用して比較される。 電力価格の予測において、どの方法がうまく機能するか、何がベストプラクティスであるかは明らかになっていない。
  論文  参考訳（メタデータ） (2020-08-18T16:19:20Z)
• Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis between Traditional Econometric, Contemporary Machine Learning & Deep Learning Techniques [0.0]
  我々は,1994年4月から2018年12月までのいくつかのマクロ経済変数について,米国とインドについて,USD-INR外為為替レートの予測に月毎の歴史的データを用いてきた。 その結果, SVM と RNN (Long Short-Term Memory) の現代的手法は, 広く使われている Auto Regression の手法よりも優れていることが明らかになった。
  論文  参考訳（メタデータ） (2020-02-19T18:11:57Z)

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。