May, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 机器学习算法预测马达加斯加实际国内生产总值

    研究探讨不同机器学习算法在现在预测马达加斯加国内生产总值 (GDP) 方面的预测能力。我们使用 10 个马达加斯加季度宏观经济领先指标，对流行的回归模型进行训练，包括线性正则化回归 (Ridge，Lasso，Elastic-net)，维度约简模型 (主成分回归)，k 最近邻算法 (k-NN 回归)，支持向量回归 (线性 SVR)，以及基于树的集成模型 (Random Forest 和 XGBoost 回归)，并使用简单的计量经济模型作为基准。通过计算均方根误差 (RMSE)，平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来衡量每个模型的现在预测准确性。我们的发现表明，通过汇总个体预测形成的集成模型始终优于传统计量经济模型。我们得出结论，机器学习模型可以更准确和及时地预测马达加斯加的经济表现，并为决策者提供数据驱动的决策指导。

    Dec, 2023

  • 应用神经网络的贝叶斯经济模拟模型估计

    近年来，由于计算能力的提高和灵活性的增强，模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法，用于解决传统频率学派估计方法难以解决的问题，并对其进行了检验。总的来说，我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下，能够持续地获得更准确的估计结果。

    Jun, 2019

  • 贝叶斯深度网络广义线性模型（GLM）和广义线性混合模型（GLMM）

    使用深度前馈神经网络、广义线性模型和贝叶斯推断等方法，提出一种高精度的回归和分类方法，能够在原有方法中量化预测不确定性并进行变量选择，并在多种模拟和真实数据示例中得到了令人满意的结果。

    May, 2018

  • 贝叶斯深度知识

    本文探讨了应用于深度神经网络中的贝叶斯参数估计问题，提出了一种压缩 Monte Carlo 近似方法的新算法，与贝叶斯神经网络中的其他两种方法作了对比，证明了该算法不仅表现更优，而且更简单易于实现且测试所需运算资源更少。

    Jun, 2015

  • 神经网络的单次贝叶斯逼近

    我们提出了一种快速的基于矩阵传播的近似方法，将神经网络转换成贝叶斯神经网络，实现对预测分布的点估计和不确定性估计，并通过与深度集成技术相结合进一步提高不确定性测量的性能。

    Aug, 2023

  • 单次 MC Dropout 近似

    该研究旨在通过一种单次 MC 退火的方法来提高贝叶斯变体深度神经网络的测试时间，同时保持不确定性测量的优点。经过基准测试和模拟游戏等方面的验证，该方法能够在实时部署 BDNNs 时实现预测分布的点估计和不确定性估计。

    Jul, 2020

  • Dropout 作为贝叶斯近似：在深度学习中表示模型不确定性

    本研究发展了一种新的理论框架，将深度神经网络的 dropout 训练视为深高斯过程中的近似贝叶斯推断。我们的理论框架使我们能够通过 dropout 神经网络建模不确定性，从而解决了在深度学习中表示不确定性的问题，而不会牺牲计算复杂性或测试精度。

    Jun, 2015

  • 神经加性模型用于实时预测

    应用神经加法模型 (NAMs) 研究多变量预测问题，使用广义加法模型为每个输入变量提供解释性并且能够成功地对多元时间序列数据进行预测。

    May, 2022