Apr, 2024

机器学习与经济预测：国际贸易网络的作用

PDF
TL;DR本研究研究了反全球化趋势对国际贸易网络的影响以及它们在提高经济增长预测方面所起的作用。通过使用 2010 年至 2022 年来自近 200 个国家的部门级贸易数据，我们确定了由不断上升的贸易政策不确定性所推动的网络拓扑结构的显著变化。我们的分析突出了重要的全球参与者，通过中心性排名，美国、中国和德国一直保持着持续的主导地位。使用一系列有监督回归模型的竞赛，我们发现从部门特定贸易网络中评估的网络拓扑描述符极大地提高了国家 GDP 增长预测的质量。我们还发现非线性模型，如随机森林 (Random Forest)、XGBoost 和 LightGBM，优于经济文献中使用的传统线性模型。使用 SHAP 值解释这些非线性模型的预测时，我们发现大约一半的最重要特征源于网络描述符，强调了它们在改进预测中的重要作用。此外，本研究强调了近期经济表现、人口增长和初级产业的影响在塑造经济增长预测中的意义，为经济增长预测的复杂性提供了新的见解。
发现论文，激发创造
  • 机器学习在国际贸易趋势预测中的应用

    本研究介绍了使用机器学习算法，基于国际贸易交易和相关经济因素，进行预测和解释交易流的可能性，并对预测结果和政策决策进行了评估。

    Oct, 2019

  • 基于交通网络分析的区域经济发展指标估计

    本研究采用包含 35 亿辆车辆出入收费系统记录的大规模数据集，通过交通网络分析来建立中距离陆路交通模式与区域经济地位的相关性，利用标准复杂网络的测量方法，分析公路交通网络的一组交通流特征并将其与城市 GDP 指标相关联，建立了多元线性回归模型，从而解释了中国三个省市城市 GDP 变化的 89％至 96％，我们采用双城市年度交通量拟合重力模型，发现距离衰减效应的时变特征与不同省份的经济发展模式相关联，结论是交通大数据揭示了区域经济发展的现状，同时也包含了区域管理和规划所需的人员流动、生产联系和物流等有价值的信息。

    Feb, 2020

  • 准确预测国际贸易流量：利用知识图谱及其嵌入

    该研究探讨了知识图谱嵌入在国际贸易中的应用及其对预测准确性和知识表示可解释性的潜力，提供了对决策者、企业家和经济学家有价值的见解。研究结果还分析了嵌入方法对其他智能算法的影响。

    Oct, 2023

  • 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

  • 网络拓扑对完全分散学习的影响：初步调查

    通过直接节点间合作训练的机器学习模型中，我们探讨了连接节点的网络拓扑对其性能的影响，研究了不同类型的拓扑对知识传播的作用，揭示了节点的连接性和网络性质在此过程中的不同角色，证明了知识传播不仅仅需要节点之间的弱连通性，而且较为集中的节点在传播中起到了重要作用，而紧密结合的群体则严重阻碍了知识传播。

    Jul, 2023

  • 配电网负荷预测的全球建模方法

    该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

    Apr, 2022

  • 具有机器学习相关性的多期交易预测市场

    本文提出一种新的预测市场模型，使用风险度量来建模市场中的代理人，并引入市场制造商来描述交易过程，分析表明，整个市场有效地达到了全局目标，同时建立了机器学习与市场之间的密切联系。

    Mar, 2014

  • 全球流行疫情的预测与可预测性：航空运输网络的作用

    本文研究了航空运输网络的大规模特性对新发传染病全球传播演变的作用，并提出了一种考虑全球航空旅行基础设施和人口普查数据的全球流行疫情预测的随机计算框架。我们定义了一组能够表征传染病模式的异质性和可预测性的新量化指标，可以用于分析遏制政策和流行病风险评估。

    Jul, 2005

  • 利用网络分析加强人工智能政策的融合和预测：来自印度专利的启示

    该研究通过使用中心性度量，聚类系数和融合度量，研究了各种人工智能（AI）技术之间的相互联通性和相互依赖性。通过对不同时间窗口的技术进行分析，并量化其重要性，我们揭示了塑造 AI 领域和成熟度水平的关键组件，对未来的人工智能发展和进步具有重要的影响和启示作用。

    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？

    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。

    Apr, 2023