连接动态因子模型与神经常微分方程以实现GDP即时预测
机器学习
2024-09-16 v1 人工智能
摘要
国内生产总值（GDP）即时预测对政策制定至关重要，因为GDP增长是经济状况的关键指标。动态因子模型（DFM）因其处理不规则或缺失的宏观经济指标的能力及其可解释性，已被政府机构广泛用于GDP即时预测。然而，DFM面临两个主要挑战：i) 缺乏对经济不确定性（如突然的衰退或繁荣）的捕捉能力，以及ii) 从混频数据中捕捉不规则动态的局限性。为了应对这些挑战，我们引入了NCDENow，这是一个新颖的GDP即时预测框架，它将神经受控微分方程（NCDE）与DFM相结合。这种集成有效地处理了不规则时间序列的动态。NCDENow包含3个主要模块：i) 利用DFM进行因子提取，ii) 使用NCDE进行动态建模，以及iii) 通过回归进行GDP增长预测。我们在来自韩国和英国的两个真实世界GDP数据集上，将NCDENow与6个基线模型进行了评估，证明了其增强的预测能力。我们的实证结果支持了我们的方法，突显了将NCDE集成到即时预测模型中的巨大潜力。我们的代码和数据集可在https://github.com/sklim84/NCDENow_CIKM2024获取。
引用
@article{arxiv.2409.08732,
title = {Bridging Dynamic Factor Models and Neural Controlled Differential Equations for Nowcasting GDP},
author = {Seonkyu Lim and Jeongwhan Choi and Noseong Park and Sang-Ha Yoon and ShinHyuck Kang and Young-Min Kim and Hyunjoong Kang},
journal= {arXiv preprint arXiv:2409.08732},
year = {2024}
}
备注
Accepted at CIKM 2024. Seonkyu Lim and Jeongwhan Choi are co-first authors with equal contributions