論文の概要: Inside the black box: Neural network-based real-time prediction of US recessions
- arxiv url: http://arxiv.org/abs/2310.17571v2
- Date: Sat, 16 Mar 2024 09:21:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 03:12:40.275859
- 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部:ニューラルネットワークによるアメリカの景気後退のリアルタイム予測
- Authors: Seulki Chung,
- Abstract要約: 標準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、長短期記憶(LSTM)およびゲートリカレントユニット(GRU)を用いる。
予測性能は従来の線形モデル、標準ロジットモデル、リッジロジットモデルと比較される。
最大3カ月の予測では、株価指数、実質GDP、私的住宅固定投資は短期的な予測可能性が非常に高い。
長期の予測では、この期間は拡大し、生産者物価指数はリセッション(景気後退)の強い説明力を持つ。
- 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: A standard feedforward neural network (FFN) and two specific types of recurrent neural networks, 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 the US. Their predictive performances are compared to those of the traditional linear models, the standard logit model and the ridge logit model. 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 five different forecast horizons with respect to a selected set of statistical metrics. Shapley additive explanations (SHAP) method is applied to GRU and the ridge logit model as the best performer in the neural network and linear model group, respectively, to gain insight into the variable importance. The evaluation of variable importance differs between GRU and the ridge logit model, as reflected in their unequal variable orders determined by the SHAP values. These different weight assignments can be attributed to GRUs flexibility and capability to capture the business cycle asymmetries and nonlinearities. The SHAP method delivers some key recession indicators. For forecasting up to 3 months, the stock price index, real GDP, and private residential fixed investment show great short-term predictability, while for longer-term forecasting up to 12 months, the term spread and the producer price index have strong explanatory power for recessions. These findings are robust against other interpretation methods such as the local interpretable model-agnostic explanations (LIME) for GRU and the marginal effects for the ridge logit model.
- Abstract（参考訳）: 標準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、長短期メモリ(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、アメリカでの大恐慌とコビッド19の景気後退をリアルタイムに予測するために使用される。
予測性能は従来の線形モデル、標準ロジットモデル、リッジロジットモデルと比較される。
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。
それらは、選択された統計指標のセットに関して、5つの異なる予測地平線を越えて、他のタイプのモデルよりも優れている。
GRUとリッジロジットモデルに,それぞれニューラルネットワークと線形モデル群で最高の演奏者としてシェープな加法的説明法(SHAP)を適用し,変数の重要性について考察した。
GRUとリッジロジットモデルとの違いは、SHAP値によって決定される不等変数順序に反映されるためである。
これらの異なる重み付けは、GRUの柔軟性と、ビジネスサイクルの非対称性と非線形性を捉える能力に起因する可能性がある。
SHAP法はいくつかの重要な不況指標を提供する。
最大3カ月の予測では、株価指数、実質GDP、私的住宅固定投資は、短期的な予測可能性が非常に高く、長期にわたる予測では、リセッション(景気後退)に対する用語の拡散と生産物価指数は強い説明力を持っている。
これらの知見は、GRUの局所的解釈可能なモデル非依存的説明(LIME)やリッジロジットモデルに対する限界効果など、他の解釈手法に対して堅牢である。
関連論文リスト
- GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。
深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。
この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
論文 参考訳（メタデータ） (2024-09-29T11:20:20Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - 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 representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Predicting Inflation with Recurrent Neural Networks [0.0]
本稿では,リカレントニューラルネットワークLSTMを用いてインフレーションの予測を行う。
米国のデータによるエクササイズの結果は、推定されたニューラルネットが、一般的なベンチマークに対して競合するが、傑出したものではないことを示している。
論文 参考訳（メタデータ） (2021-04-08T13:19:26Z) - 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) - Forecasting Commodity Prices Using Long Short-Term Memory Neural
Networks [0.0]
本稿では,綿と油の価格の予測にリカレントニューラルネットワーク(RNN)を適用した。
機械学習の手法は, 適切にデータに適合するが, 体系的に古典的手法を上回らないことを示す。
論文 参考訳（メタデータ） (2021-01-08T16:28:19Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z) - 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。