制造灾难：利用 GAN 生成的合成时间序列数据预测衰退
机器学习
2023-02-22 v1 综合经济学
经济学
应用统计
摘要
预测衰退等罕见事件时的一个常见问题是数据可用性有限。深度学习与生成对抗网络（GANs）的最新进展使得大规模生成高保真合成数据成为可能。本文使用一种称为 DoppelGANger 的、专为生成合成时间序列数据设计的 GAN，来生成合成的国债收益率时间序列及关联的衰退指标。随后表明，在合成数据上训练的模型相对于仅在真实数据上训练的模型，其国债收益率的短期预测性能得到提升。最后，生成合成衰退条件并用于训练分类模型以预测未来衰退概率。研究表明，在合成衰退上训练模型可提升模型预测未来衰退的能力，优于仅在真实数据上训练的模型。
引用
@article{arxiv.2302.10490,
title = {Creating Disasters: Recession Forecasting with GAN-Generated Synthetic Time Series Data},
author = {Sam Dannels},
journal= {arXiv preprint arXiv:2302.10490},
year = {2023}
}
备注
18 pages