基于 IMFs 和神经网络的经济时间序列可解释预测
计量经济学
2025-12-16 v1 计算金融
摘要
本研究探讨了从经济时间序列中推导出的固有模函数（IMF）对神经网络模型预测性能的贡献，具体关注多层感知器（MLP）和长短期记忆网络（LSTM）。为增强可解释性，应用 DeepSHAP 方法，对每个 IMF 在保持其余时间序列不变的情况下进行边际贡献估计。结果表明，最后的 IMF（代表长期趋势）通常是 DeepSHAP 最具影响力的，而高频 IMF 贡献较小，甚至可能引入噪声，这一结论通过去除这些 IMF 后指标得到改善得以证实。MLP 与 LSTM 之间的差异揭示了模型架构对特征相关性分布的影响，LSTM 在 IMF 上的重要性分配更为均匀。
引用
@article{arxiv.2512.12499,
title = {Explainable Prediction of Economic Time Series Using IMFs and Neural Networks},
author = {Pablo Hidalgo and Julio E. Sandubete and Agustín García-García},
journal= {arXiv preprint arXiv:2512.12499},
year = {2025}
}
备注
12 pages, 10 figures, 8 tables