基于新闻的宏观经济指标预测：一种可解释预测的语义路径模型
机器学习
2018-03-13 v2 应用统计
摘要
宏观经济环境影响着原材料价格、融资、供应链利用与需求配额等方面的运营。为适应经济环境，公共与私营部门的决策者需要准确的经济前景预测。现有预测框架主要基于时间序列分析以及专家判断。因此，当前方法常有偏倚且易出错。为减少预测误差，本文提出一种创新方法，将滞后变量与非结构化数据（即财经新闻）相结合：（1）我们将多种机器学习模型应用于词频计数作为高维输入。然而，该方法可解释性低且易过拟合，由此引出如下改进。（2）我们遵循经济环境由总体情绪驱动的直觉，建议将词投影到潜在语义结构作为一种特征工程手段。（3）我们提出一种语义路径模型，及基于正则化的估计技术，以实现预测完全可解释。我们利用 80,813 条临时公告对关键宏观经济指标进行长达 24 个月的长期预测，证明了方法的预测性能。回测显示预测误差大幅降低。
引用
@article{arxiv.1801.07047,
title = {News-based forecasts of macroeconomic indicators: A semantic path model for interpretable predictions},
author = {Stefan Feuerriegel and Julius Gordon},
journal= {arXiv preprint arXiv:1801.07047},
year = {2018}
}