现在预测中计量经济学与机器学习方法的基准比较
机器学习
2022-05-09 v1 机器学习
计量经济学
摘要
现在预测可在为政策制定者提供具有显著时滞的发布数据（如最终 GDP 数据）的更及时洞察方面发挥关键作用。目前，从业者可从大量方法与途径中选择。然而，缺乏对这些不同方法在预测性能与特性方面的综合比较。本文通过考察 12 种不同方法在现在预测美国季度 GDP 增长上的表现来弥补这一不足，涵盖现在预测中最常用的方法，以及一些最流行的传统机器学习途径。性能在三个美国经济发展动荡期进行评估：20 世纪 80 年代初衰退、2008 年金融危机与 COVID 危机。分析中表现最优的两种方法是长短期记忆人工神经网络（LSTM）与贝叶斯向量自回归（BVAR）。为促进所考察各方法的进一步应用与测试，本文随附发布了一个包含可应用于不同数据集的样板代码的开源代码库，地址为：github.com/dhopp1/nowcasting_benchmark。
引用
@article{arxiv.2205.03318,
title = {Benchmarking Econometric and Machine Learning Methodologies in Nowcasting},
author = {Daniel Hopp},
journal= {arXiv preprint arXiv:2205.03318},
year = {2022}
}