論文の概要: GDP nowcasting with artificial neural networks: How much does long-term memory matter?

• arxiv url: http://arxiv.org/abs/2304.05805v2
• Date: Tue, 19 Dec 2023 12:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 02:27:30.627427
• Title: GDP nowcasting with artificial neural networks: How much does long-term memory matter?
• Title（参考訳）: 人工ニューラルネットワークによるGDPの今 : 長期記憶はどれくらい重要か?
• Authors: Krist\'of N\'emeth, D\'aniel Hadh\'azi
• Abstract要約: 人工ニューラルネットワークを応用し、米国経済の四半期GDPの伸びを予測した。 長い入力シーケンスは、バランスの取れた経済成長の期間において、より正確な現在の流れをもたらす。 1D CNN は GDP の再生に非常に適したモデルであることが証明されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In our study, we apply artificial neural networks (ANNs) to nowcast quarterly GDP growth for the U.S. economy. Using the monthly FRED-MD database, we compare the nowcasting performance of five different ANN architectures: the multilayer perceptron (MLP), the one-dimensional convolutional neural network (1D CNN), the Elman recurrent neural network (RNN), the long short-term memory network (LSTM), and the gated recurrent unit (GRU). The empirical analysis presents the results from two distinctively different evaluation periods. The first (2012:Q1 -- 2019:Q4) is characterized by balanced economic growth, while the second (2012:Q1 -- 2022:Q4) also includes periods of the COVID-19 recession. According to our results, longer input sequences result in more accurate nowcasts in periods of balanced economic growth. However, this effect ceases above a relatively low threshold value of around six quarters (eighteen months). During periods of economic turbulence (e.g., during the COVID-19 recession), longer input sequences do not help the models' predictive performance; instead, they seem to weaken their generalization capability. Combined results from the two evaluation periods indicate that architectural features enabling for long-term memory do not result in more accurate nowcasts. On the other hand, the 1D CNN has proved to be a highly suitable model for GDP nowcasting. The network has shown good nowcasting performance among the competitors during the first evaluation period and achieved the overall best accuracy during the second evaluation period. Consequently, first in the literature, we propose the application of the 1D CNN for economic nowcasting.
• Abstract（参考訳）: 本研究では、米国経済の四半期GDP成長を予測するために、人工知能ニューラルネットワーク(ANN)を適用した。 月刊のfred-mdデータベースを用いて,多層型パーセプトロン (mlp), 1次元畳み込みニューラルネットワーク (1d cnn), elman recurrent neural network (rnn), long short-term memory network (lstm), gated recurrent unit (gru) の5つのアーキテクチャの現在キャスト性能を比較した。 経験分析は、2つの異なる評価期間の結果を提示する。 第1期(2012:q1 -- 2019:q4)はバランスの取れた経済成長を特徴とし、第2期(2012:q1 -- 2022:q4)は新型コロナウイルスの景気後退の時期も含まれる。 以上の結果から、より長い入力シーケンスは、バランスの取れた経済成長の期間において、より正確な結果をもたらす。 しかし、この効果は比較的低いしきい値である約6/4(18ヶ月)以上で停止する。 経済の混乱(例えば、COVID-19の景気後退)の間、より長い入力シーケンスはモデルの予測性能に役立ちず、代わりに一般化能力を弱めるように思われる。 2つの評価期間の組合せの結果は、長期記憶が可能なアーキテクチャ上の特徴がより正確でないことを示している。 一方,1D CNN は GDP nowcasting に非常に適したモデルであることが証明されている。 ネットワークは,第1評価期間中の競技者間で良好な放送性能を示し,第2評価期間中の総合的精度を達成した。 そこで本研究では,まず,1D CNN の経済放送への応用を提案する。

関連論文リスト

• Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout [0.0]
  人工ニューラルネットワーク(ANN)は,GDPの現在の精度において,動的因子モデル(DFM)よりも優れていることを示す。 我々は、ANNが米国のGDP成長のために密度のアップキャストを生成することができる2つの異なるディープラーニングアルゴリズムを適用した。 結果は、BackpropによるBayesとMonte Carloのドロップアウトの両方が、ANNのスコープと機能を効果的に拡張できることを示している。
  論文  参考訳（メタデータ） (2024-05-24T14:06:08Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis [0.0]
  COVID-19パンデミックにおけるLSTMのパフォーマンスは、動的因子モデル(DFM)と比較して比較される。 平均絶対誤差と根平均二乗誤差の両方の観点から、LSTMは変数/四分法の組み合わせの3分の2でより良い性能を得た。 LSTMへの解釈可能性の方法論が紹介され、付随する nowcast_lstm Python ライブラリで利用可能になった。
  論文  参考訳（メタデータ） (2022-03-22T16:48:41Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
  我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。 バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
  論文  参考訳（メタデータ） (2021-12-12T17:13:14Z)
• Economic Nowcasting with Long Short-Term Memory Artificial Neural Networks (LSTM) [0.0]
  人工知能ニューラルネットワーク(ANN)は、様々な分野や分野において多くの進歩の触媒となっている。 長期記憶ネットワーク(LSTM)の一種であるANNは、特に経済的な時系列を扱うのに適している。
  論文  参考訳（メタデータ） (2021-06-15T13:32:06Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。