Fugu-MT 論文翻訳(概要): Forecasting Inflation with Microdata: An Adaptive Machine Learning Approach

論文の概要: Forecasting Inflation with Microdata: An Adaptive Machine Learning Approach

arxiv url: http://arxiv.org/abs/2607.12345v1
Date: Tue, 14 Jul 2026 04:46:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:30.038153
Title: Forecasting Inflation with Microdata: An Adaptive Machine Learning Approach
Title（参考訳）: マイクロデータによるインフレ予測:適応型機械学習アプローチ
Abstract要約: 本研究では,予測が他の予測よりも優れるかどうかを,未知の開始点と継続時間でスキャンテストする。我々は,価格変動の分布を高次元ベクトルにエンコードし,勾配向上木アルゴリズムと組み合わせた。次に、このマイクロ予測を他のベンチマーク予測と組み合わせて、マイクロ予測を正常に動作させる適応アルゴリズムを用いる。
参考スコア（独自算出の注目度）: 7.026478663396308
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Does microeconomic heterogeneity help to forecast aggregate inflation in a non-stationary environment? We develop a scan test for whether one forecast outperforms another, over an interval with unknown starting point and duration. To exploit any occasional forecasting power that the scan test detects, we design an adaptive machine learning pipeline. We encode the distribution of price changes into a high-dimensional vector, which we combine with a gradient boosted trees algorithm. We then combine this micro forecast with other benchmark forecasts, using an adaptive algorithm that makes use of the micro forecast only when it performs well. We apply the pipeline to UK microdata, with four main results. First, the micro forecast outperforms a univariate benchmark, but only in the volatile period after 2020. Second, the scan test detects periods of micro outperformance, so the micro forecast enters the combined forecast. Third, the combined forecast performs comparably to the univariate benchmark before 2020 and better at every horizon after 2020. Fourth, the value of microdata for the combined forecast materializes after 2020. We conclude that microdata are valuable for forecasting aggregate inflation, but only after large shocks.
Abstract（参考訳）: ミクロ経済の不均一性は非定常環境における集合的インフレを予測するのに役立つか? 本研究では,予測が他の予測よりも優れるかどうかを,未知の開始点と継続時間でスキャンテストする。スキャンテストが検出する任意の予測パワーを活用するために,適応型機械学習パイプラインを設計する。我々は,価格変動の分布を高次元ベクトルにエンコードし,勾配向上木アルゴリズムと組み合わせた。次に、このマイクロ予測を他のベンチマーク予測と組み合わせて、マイクロ予測を正常に動作させる適応アルゴリズムを用いる。パイプラインを英国のマイクロデータに適用し、4つの主要な結果を得た。まず、マイクロ予測は単変量ベンチマークより優れているが、2020年以降の揮発性期間に限られる。第二に、スキャンテストはマイクロアウトパフォーマンスの期間を検出するので、マイクロ予測は組み合わせた予測に入る。第3に、統合された予測は、2020年以前の単変量ベンチマークと、2020年以降のあらゆる地平線で比較できる。第4に、2020年以降、組み合わせた予測のマイクロデータの価値が成立する。マイクロデータは総インフレの予測に有用であるが、大きなショックを受けた後にのみ有用であると結論付けている。

関連論文リスト

Asymmetric Peak-Aware Loss for Peak-Critical Time Series Forecasting [1.7126708168238123]
群衆需要予測などの運用時系列予測アプリケーションでは,過大予測よりも過大予測に関連するリスクが著しく高い。 Asymmetric Peak-Aware Loss (APAL) は、予測下降をより過度に罰し、予測ウィンドウ内のピーク領域のトレーニング重量を増加させるモデルに依存しない目的である。 APALは、制御可能なトレードオフを集約エラーで公開しながら、テール精度とピーク予測品質を改善し、ピーク予測失敗が主な運用上の問題である場合に、実用的な解決策となる。
論文参考訳（メタデータ） (2026-07-16T11:44:48Z)
Aligning LLMs with Human Uncertainty: A Beta-Bernoulli Calibrator for LLM Forecasting [10.121727570560305]
本研究では,任意のモデルからの初期点推定予測をイベント確率上の分布に変換するBeta-Bernoulli Calibrator (BBC)を提案する。以上の結果から,BBCは従来型の校正法やモデルよりも,より精度の高い校正・精度の予測を行っている。
論文参考訳（メタデータ） (2026-05-26T20:39:33Z)
Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文参考訳（メタデータ） (2026-02-03T16:01:22Z)
Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文参考訳（メタデータ） (2024-12-24T16:51:35Z)
Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文参考訳（メタデータ） (2024-12-14T22:09:45Z)
Movement-Prediction-Adjusted Naive Forecast [6.935130578959931]
MPANF (Motion-Prediction-Adjusted Naive forecast) は, 偏差ベースラインを超えて点予測を改善するために設計されている。 MPANFは、信頼できる動き予測が利用できる場合に有効な第2段階の手法として機能する。
論文参考訳（メタデータ） (2024-06-20T16:32:18Z)
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文参考訳（メタデータ） (2024-02-23T06:09:45Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms [3.2732602885346576]
この研究論文は、2020年3月から2022年5月までにニューヨークで取引された3つの有名な株の予測において、4つの機械学習モデルとそれらの精度を比較した。我々は,XGBoost,Random Forest,Multi-layer Perceptron,Support Vector Regressionモデルをデプロイし,開発し,チューニングする。 XGBoostは、240のトレーディングデイからなるトレーニングデータセットを使用して、より長い実行にもかかわらず、最も高い精度を提供する。
論文参考訳（メタデータ） (2023-05-17T07:04:32Z)
Towards Better Long-range Time Series Forecasting using Generative Forecasting [29.046659097553515]
我々は生成予測(GenF)と呼ばれる新しい予測戦略を提案する。 GenFは次の数ステップで合成データを生成し、生成および観測されたデータに基づいて長距離予測を行う。予測性能(絶対誤差)は5%から11%向上する一方、パラメータは15%から50%減少する。
論文参考訳（メタデータ） (2022-12-09T13:35:39Z)
AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-24T23:13:11Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。