基于神经向量自回归的 forecasting、因果性与脉冲响应
机器学习
2019-10-08 v3 机器学习
摘要
引入非线性对于预测动力系统的未来状态、其对冲击的响应及其底层因果网络至关重要。然而，大多数现有的因果检测和脉冲响应方法（如向量自回归（VAR））假设线性，因此无法捕捉复杂性。在此，我们提出一种向量自编码器非线性自回归神经网络（VANAR），能够对其输入进行自动时间序列特征提取并估计函数形式。我们从三个方面评估 VANAR：首先是纯粹的预测精度，其次是检测变量间正确因果性的能力，最后是脉冲响应，其中我们建模给定外部冲击下的轨迹。这些测试在一个模拟非线性混沌系统和使用菲律宾宏观经济数据的经验系统上进行。结果表明，VANAR 在预测和因果性测试中显著优于 VAR。即使在 SARIMA 和 TBATS 等最先进（state of the art）模型面前，VANAR 也始终保持更优精度。对于脉冲响应测试，两种模型均未能预测该非线性混沌系统的受冲击轨迹。VANAR 在建模多种动力学方面具有鲁棒性，从混沌、高噪声、低数据环境到宏观经济系统均可胜任。
引用
@article{arxiv.1903.09395,
title = {Forecasting, Causality, and Impulse Response with Neural Vector Autoregressions},
author = {Kurt Izak Cabanilla and Kevin Thomas Go},
journal= {arXiv preprint arXiv:1903.09395},
year = {2019}
}