基于分组稀疍自编码器的时间变动因子增广向量自回归模型
机器学习
2025-03-07 v1 机器学习
摘要
近期的经济事件，包括全球金融危机和新冠疫情，暴露了线性因子增广向量自回归（FAVAR）模型在预测和结构分析方面的局限性。非线性维数技术，特别是自编码器，已在FAVAR框架中作为有前景的替代方案，但仍面临可识别性、可解释性以及与传统非线性时间序列方法集成的挑战。我们通过两个贡献来应对这些挑战。首先，我们引入了分组稀疍自编码器，该模型采用突变-Slab Lasso 先验，使该先验下的参数在同一经济类别的变量之间共享，从而实现准可识别性并增强模型的可解释性。其次，我们将时间变动参数纳入VAR组件，以更好地捕捉演变中的经济动态。我们对美国经济进行的经验应用表明，分组稀疍自编码器通过其简约结构产生更具可解释性的因子；其与时间变动参数VAR的组合在点预测和密度预测中表现优异。冲击响应分析揭示，在经济衰退期间，货币政策冲击会产生更温和的反应且不确定性更高，而在扩张性期间则相对较小。
关键词
引用
@article{arxiv.2503.04386,
title = {Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder},
author = {Yiyong Luo and Brooks Paige and Jim Griffin},
journal= {arXiv preprint arXiv:2503.04386},
year = {2025}
}