論文の概要: HMM-LSTM Fusion Model for Economic Forecasting
- arxiv url: http://arxiv.org/abs/2501.02002v1
- Date: Wed, 01 Jan 2025 17:31:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-07 17:05:25.611552
- Title: HMM-LSTM Fusion Model for Economic Forecasting
- Title(参考訳): 経済予測のためのHMM-LSTM融合モデル
- Authors: Guhan Sivakumar,
- Abstract要約: 本稿では,HMM(Hidden Markov Models)とLSTM(Long Short-Term Memory)ニューラルネットワークの経済予測への応用について検討する。
この研究は、HMM由来の隠れ状態を統合し、LSTMモデリングのための追加機能として意味を持つ新しいアプローチを探求する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper explores the application of Hidden Markov Models (HMM) and Long Short-Term Memory (LSTM) neural networks for economic forecasting, focusing on predicting CPI inflation rates. The study explores a new approach that integrates HMM-derived hidden states and means as additional features for LSTM modeling, aiming to enhance the interpretability and predictive performance of the models. The research begins with data collection and preprocessing, followed by the implementation of the HMM to identify hidden states representing distinct economic conditions. Subsequently, LSTM models are trained using the original and augmented data sets, allowing for comparative analysis and evaluation. The results demonstrate that incorporating HMM-derived data improves the predictive accuracy of LSTM models, particularly in capturing complex temporal patterns and mitigating the impact of volatile economic conditions. Additionally, the paper discusses the implementation of Integrated Gradients for model interpretability and provides insights into the economic dynamics reflected in the forecasting outcomes.
- Abstract(参考訳): 本稿では,隠れマルコフモデル(HMM)とLong Short-Term Memory(LSTM)ニューラルネットワークを経済予測に適用し,CPIインフレ率の予測に焦点をあてる。
本研究は,HMM由来の隠れ状態を統合し,モデルの解釈可能性と予測性能を向上させることを目的としたLSTMモデリングの付加的機能として,新たなアプローチを提案する。
この研究は、データ収集と事前処理から始まり、続いてHMMを実装して、異なる経済状況を表す隠された状態を特定する。
その後、LSTMモデルは元のデータセットと拡張データセットを使って訓練され、比較分析と評価が可能である。
その結果,HMMに基づくデータの導入によりLSTMモデルの予測精度が向上し,特に複雑な時間的パターンを捕捉し,不安定な経済状況の影響を緩和することがわかった。
さらに、モデル解釈可能性のための統合的グラディエントの実装について論じ、予測結果に反映される経済力学についての洞察を提供する。
関連論文リスト
- Exploring Patterns Behind Sports [3.2838877620203935]
本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。
このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
論文 参考訳(メタデータ) (2025-02-11T11:51:07Z) - EUR/USD Exchange Rate Forecasting incorporating Text Mining Based on Pre-trained Language Models and Deep Learning Methods [0.0]
本研究では,深層学習,テキスト解析,粒子群最適化(PSO)を統合したEUR/USD交換レート予測の新しい手法を提案する。
オンラインニュースや分析テキストを定性的データとして組み込むことにより,提案したPSO-LSTMモデルは従来のエコノメトリや機械学習モデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-11-12T05:28:52Z) - MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。
本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文 参考訳(メタデータ) (2024-10-12T07:02:33Z) - Advancing Financial Risk Prediction Through Optimized LSTM Model Performance and Comparative Analysis [12.575399233846092]
本稿では、金融リスク予測におけるLSTMモデルの適用と最適化に焦点を当てる。
最適化LSTMモデルは、ランダムフォレスト、BPニューラルネットワーク、XGBoostと比較して、AUC指数において大きな利点を示す。
論文 参考訳(メタデータ) (2024-05-31T03:31:17Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Can LMs Generalize to Future Data? An Empirical Analysis on Text
Summarization [50.20034493626049]
最近の学習済み言語モデル(PLM)は、既存の抽象的な要約データセットにおいて有望な結果をもたらす。
既存の要約ベンチマークは、標準の事前学習コーパスと微調整データセットと時間的に重複する。
要約モデルに格納されたパラメトリック知識は、将来のデータに対する生成した要約の忠実度に大きく影響することを示す。
論文 参考訳(メタデータ) (2023-05-03T08:08:07Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T18:51:55Z) - A Bayesian Long Short-Term Memory Model for Value at Risk and Expected
Shortfall Joint Forecasting [26.834110647177965]
バリュー・アット・リスク(VaR)と期待不足(ES)は、市場リスクを測定し、極端な市場の動きを管理するために金融セクターで広く利用されている。
量子化スコア関数と非対称ラプラス密度の最近の関係は、VaRとESのジョイントモデリングのためのフレキシブルな可能性に基づく枠組みにつながっている。
Asymmetric Laplace quasi-likelihoodをベースとしたハイブリッドモデルを開発し、機械学習のLong Short-Term Memory(LSTM)時系列モデリング技術を用いて、VaRとESの基盤となるダイナミクスを効率的に捉える。
論文 参考訳(メタデータ) (2020-01-23T05:13:36Z)
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。