論文の概要: Inside the black box: Neural network-based real-time prediction of US
recessions
- arxiv url: http://arxiv.org/abs/2310.17571v1
- Date: Thu, 26 Oct 2023 16:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-27 18:57:29.580523
- Title: Inside the black box: Neural network-based real-time prediction of US
recessions
- Title(参考訳): ブラックボックスの内側:ニューラルネットワークによる米国の不況のリアルタイム予測
- Authors: Seulki Chung
- Abstract要約: 長期記憶(LSTM)とゲートリカレントユニット(GRU)は1967年から2021年までの米国の景気後退をモデル化するために使用される。
予測性能は従来の線形モデルと比較される。
S&P500種指数、実質GDP、個人住宅固定投資などの主要指標は短期予測に一貫して表れている。
長期予測(6ヶ月以上)では、この用語が広まり、生産者物価指数がより顕著になる。
- 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: Feedforward neural network (FFN) and two specific types of recurrent neural
network, long short-term memory (LSTM) and gated recurrent unit (GRU), are used
for modeling US recessions in the period from 1967 to 2021. The estimated
models are then employed to conduct real-time predictions of the Great
Recession and the Covid-19 recession in US. Their predictive performances are
compared to those of the traditional linear models, the logistic regression
model both with and without the ridge penalty. The out-of-sample performance
suggests the application of LSTM and GRU in the area of recession forecasting,
especially for the long-term forecasting tasks. They outperform other types of
models across 5 forecasting horizons with respect to different types of
statistical performance metrics. Shapley additive explanations (SHAP) method is
applied to the fitted GRUs across different forecasting horizons to gain
insight into the feature importance. The evaluation of predictor importance
differs between the GRU and ridge logistic regression models, as reflected in
the variable order determined by SHAP values. When considering the top 5
predictors, key indicators such as the S\&P 500 index, real GDP, and private
residential fixed investment consistently appear for short-term forecasts (up
to 3 months). In contrast, for longer-term predictions (6 months or more), the
term spread and producer price index become more prominent. These findings are
supported by both local interpretable model-agnostic explanations (LIME) and
marginal effects.
- Abstract(参考訳): フィードフォワードニューラルネットワーク(FFN)と2種類の特定のリカレントニューラルネットワーク、長い短期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。
推定されたモデルは、アメリカの大恐慌とコビッド19不況のリアルタイム予測に使用される。
彼らの予測性能は従来の線形モデルと比較されるが、ロジスティック回帰モデルは尾根ペナルティと無関係である。
アウトオブサンプル性能は、特に長期予測タスクにおいて、リセッション予測領域におけるLSTMとGRUの適用を示唆している。
異なるタイプの統計パフォーマンス指標に関して、5つの予測地平線にわたって、他のタイプのモデルよりも優れています。
重み付き加法的説明法 (SHAP) は, 異なる予測地平線をまたいだGRUに応用し, 特徴量の重要性について考察する。
予測因子の重要性の評価は、shap値によって決定される変数次数に反映されるように、 gru とリッジロジスティック回帰モデルで異なる。
上位5つの予測指標を考慮すると、S&P500指数、実質GDP、民間固定投資といった重要な指標が短期予測(最大3カ月)に一貫して現れる。
対照的に、長期予測(6ヶ月以上)では、この用語が広まり、生産者価格指数がより顕著になる。
これらの知見は、局所的解釈可能なモデル非依存的説明(LIME)と限界効果の両方によって裏付けられる。
関連論文リスト
- Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。
ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。
我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
論文 参考訳(メタデータ) (2024-04-27T21:57:17Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Nowcasting Madagascar's real GDP using machine learning algorithms [0.0]
マダガスカルにおける国内総生産(GDP)の予測能力について検討する。
線形正則回帰(Ridge,Lasso,Elastic-net)、次元減少モデル(主成分回帰)、k-nearest neighborsアルゴリズム(k-NN回帰)を含む一般的な回帰モデルを訓練した。
我々は,根平均二乗誤差(RMSE),平均絶対誤差(MAE),平均絶対パーセンテージ誤差(MAPE)を算出し,各モデルの流速精度を測定した。
論文 参考訳(メタデータ) (2023-12-24T20:40:54Z) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳(メタデータ) (2023-11-27T21:37:50Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。
我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
論文 参考訳(メタデータ) (2021-07-21T22:55:14Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳(メタデータ) (2021-06-07T18:31:47Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Spatiotemporal Adaptive Neural Network for Long-term Forecasting of
Financial Time Series [0.2793095554369281]
本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。
動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。
ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
論文 参考訳(メタデータ) (2020-03-27T00:53:11Z)
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。