推进GDP预测：机器学习技术在经济预测中的潜力
机器学习
2025-02-28 v1
摘要
对准确经济预测的追求传统上由计量经济学模型主导，这些模型大多数时候依赖于数据线性关系和平稳性的假设。然而，全球经济的复杂且往往非线性的本质 necessitates 探索替代方法。机器学习方法在GDP预测方面相较于传统计量经济学技术展现出有前景的优势，因为它们能够在不需要显式指定底层关系的情况下建模复杂、非线性的交互和模式。本文研究了循环神经网络在GDP预测中的有效性，特别是 LSTM 网络。这些模型与一种传统计量经济学方法 SARIMA 进行了比较。我们使用了 1995 年至 2023 年的罗马尼亚季度GDP数据集，并构建了一个 LSTM 网络来预测序列中的接下来 4 个值。我们的结果表明，机器学习模型在预测准确性和灵活性方面持续优于传统计量经济学模型。
引用
@article{arxiv.2502.19807,
title = {Advancing GDP Forecasting: The Potential of Machine Learning Techniques in Economic Predictions},
author = {Bogdan Oancea},
journal= {arXiv preprint arXiv:2502.19807},
year = {2025}
}