基于深度学习的美国 GDP 增长 nowcast 密度生成：贝叶斯反向传播与蒙特卡洛 dropout
计量经济学
2024-05-27 v1 人工智能
机器学习
摘要
最近的文献表明，人工神经网络（ANNs）在 GDP nowcast 准确性方面优于动态因子模型（DFM）。在经济衰退与结构性变动期间，这些高度灵活的非线性估计器的性能优势尤为明显。就政策制定者而言，附带不确定性信息的 nowcast 最为有用。虽然 DFM 与其他经典时间序列方法可严谱推导 GDP 增长的预测（条件）分布，但 ANNs 仅能基于其默认训练程序（反向传播）生成点 nowcast。为填补这一差距，本文首次在文献中引入两种不同的深度学习算法，使 ANNs 能够为美国 GDP 增长生成密度 nowcast：贝叶斯反向传播与蒙特卡洛 dropout。以常数增长模型为基准，评估点 nowcast（即经验预测分布的均值）的准确性，并与 DFM 基准规范进行比较。采用 1D CNN 作为底层 ANN 架构，两种算法在评估期（2012:Q1--2022:Q4）中均优于基准。此外，两种算法能够动态调整经验预测分布的位置（均值）、尺度（方差）及形状（偏度）。结果表明，贝叶斯反向传播与蒙特卡洛 dropout 能有效扩展 ANNs 的范围与功能，使其成为经典时间序列方法的全方位且具竞争力的替代方案。
引用
@article{arxiv.2405.15579,
title = {Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout},
author = {Kristóf Németh and Dániel Hadházi},
journal= {arXiv preprint arXiv:2405.15579},
year = {2024}
}