Apr, 2023

采用人工神经网络进行 GDP 现值预测：长期记忆的重要性如何？

PDF
TL;DR通过比较动态因子模型（DFM）和四种人工神经网络（ANNs）的预测表现，本文应用不同的统计模型来实时预测美国经济的季度 GDP 增长，并使用 FRED-MD 数据库进行实证研究。结果表明，虽然在经济增长平衡期间，较长的输入序列会产生更准确的预测，但是在经济动荡期间（如 COVID-19 衰退期间），较长的训练序列并不能提高模型的预测性能；在这种情况下，1D CNN 则具有较高的准确率，并被提出作为一种经济实时预测的有效方法。
nowcastinggdp growthdynamic factor modelneural networks1d cnn
发现论文，激发创造
  • 使用深度学习生成美国国内生产总值 (GDP) 增长的密度预测：基于贝叶斯后向传播和蒙特卡洛辍学

    人工神经网络 (ANNs) 可以比动态因素模型 (DFM) 更准确地预测国内生产总值 (GDP)，尤其在经济衰退和结构性断裂期间展现出灵活性和非线性估计模型的性能优势。为了填补 ANNs 无法生成带有不确定性的预测分布的空白，我们使用贝叶斯反向传播和 Monte Carlo dropout 两种不同的深度学习算法，使得 ANNs 能够生成美国 GDP 增长的概率预测。通过使用一维卷积神经网络作为底层 ANN 架构，这两种算法在评估期 (2012 年第一季度 ——2022 年第四季度) 中超越了基准模型和经典时间序列方法，而且能够动态调整预测分布的位置 (均值)、尺度 (方差) 和形状 (偏度)。研究结果表明，贝叶斯反向传播和 Monte Carlo dropout 可以有效扩展和加强 ANNs 的范围和功能，使其成为经典时间序列方法的全兼容和竞争性替代方案。

    May, 2024

  • 递归深度学习框架用于预测未来十年的世界经济展望

    本研究采用深度学习方法，通过比较多种深度学习模型（LSTM, BD-LSTM, ED-LSTM 和 CNN）及传统时间序列模型（ARIMA,VAR）预测未来十年全球经济的 GDP 增长率，预测结果显示中国、法国和印度的 GDP 将会保持稳定或增长，而其他大多数发达国家和新兴市场经济体的经济增长将会放缓、停滞甚至衰退。其中，ED-LSTM 模型预测效果最佳。

    Jan, 2023

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 具有更灵活记忆的循环神经网络：相较于粗糙波动性更好的预测

    我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs 所需的训练时期减少了一半，而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时，验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20％。

    Aug, 2023

  • 外币时间序列预测的现成神经网络架构的成本

    本研究旨在比较不同的长短期记忆（LSTM）神经网络结构和专门用于外汇市场预测的 ANN 架构之间的性能和资源需求，包括模型的执行时间、内存和计算资源消耗。我们的目标是证明专门的架构在外汇市场预测方面不仅能够取得更好的结果，而且在资源消耗和执行时间方面相对于 LSTM 架构更为优越。这种比较分析将对这两种类型的架构在外汇市场环境中的时间序列预测的适用性提供重要的见解。

    May, 2024

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • GPM 集成多卫星获取的全球降水预报：一种 U-Net 卷积 LSTM 架构

    本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

    Jul, 2023

  • 将 LSTMs 和 GNNs 集成用于 COVID-19 预测

    本文研究了如何将图神经网络与长短时记忆网络相结合，以更好地预测 COVID-19 疫情的发展情况，并在欧洲 37 个国家的数据中验证了该模型的有效性。同时，本研究还分析了其在政策制定中的重要应用及其对疫情资源控制的潜在影响。

    Jul, 2021

  • 短期 FOREX 预测的神经网络架构比较分析

    设计和实施的 LSTM 神经网络与基于技术分析指标模拟器的 ANN 自定义架构进行了比较分析，并得出了有关每个架构的适用性以及实施所需的时间和计算资源成本的有价值结论。ANN 自定义架构以更高的敏感度、更少的资源和更少的时间产生了更好的预测质量，适用于低功耗计算系统和需要快速决策的应用场景。

    May, 2024

  • 基于记忆网络的多元时间序列预测解决方案

    提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

    Sep, 2018