长短期记忆人工神经网络在 COVID-19 危机期间现在预测中的表现
机器学习
2022-03-23 v1 机器学习
计量经济学
摘要
COVID-19 大流行表明了政策制定者对宏观经济变量及时估计的日益增长的需求。UNCTAD 先前的一篇研究论文考察了长短期记忆人工神经网络（LSTM）用于此类经济现在预测的适用性。此处，将 LSTM 在 COVID-19 大流行期间的表现与动态因子模型（DFM，该领域常用的方法）进行比较和对照。使用实际数据版本对三个独立变量——全球商品出口值和量以及全球服务出口——进行现在预测，并评估 2020 年第二、第三、第四季度以及 2021 年第一、第二季度的表现。就平均绝对误差和均方根误差而言，LSTM 在三分之二的变量/季度组合中获得了更好的表现，并且展现出更平缓的预测演变、更一致的叙事以及更小的修正。此外，引入了一种为 LSTM 引入可解释性的方法，并在随附的 nowcast_lstm Python 库中提供，该库现也可在 R、MATLAB 和 Julia 中使用。
引用
@article{arxiv.2203.11872,
title = {Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis},
author = {Daniel Hopp},
journal= {arXiv preprint arXiv:2203.11872},
year = {2022}
}
备注
24 pages, 3 figures, 3 tables