Резервуарные вычисления для макроэкономического прогнозирования на основе данных смешанной частотности

Reservoir computing for macroeconomic forecasting with mixed-frequency data
Giovanni Ballarin, Πέτρος Δελλαπόρτας, Lyudmila Grigoryeva, Marcel Hirt, Sophie van Huellen, Juan‐Pablo Ortega
2023-12-07

рост ВВП СШАмакроэкономическое прогнозированиеданные смешанной частотымногочастотная сеть с эхосостояниемрезервуарные вычисления
Макроэкономическое прогнозирование в последнее время начало активно использовать методы, способные работать с крупномасштабными наборами данных и рядами с неодинаковыми периодами публикации. Модели выборки данных смешанной частотности (MIDAS) и динамические факторные модели (DFM) являются двумя основными современными подходами к моделированию рядов неоднородной частотности. Мы предлагаем новую платформу, получившую название многочастотной сети с эхосостояниями (MFESN), основанную на относительно новой парадигме машинного обучения — резервуарных вычислениях. Сети с эхосостояниями (ESN) представляют собой рекуррентные нейронные сети, сформулированные как нелинейные системы в пространстве состояний со случайными коэффициентами состояния, при этом оцениванию подлежит только отображение наблюдений. MFESN значительно эффективнее DFM и может включать множество рядов, в отличие от моделей MIDAS, подверженных проклятию размерности. Все методы сравниваются в рамках обширных упражнений по многошаговому прогнозированию, ориентированных на темпы роста ВВП США. Мы обнаруживаем, что модели MFESN обеспечивают более высокое или сопоставимое качество по сравнению с MIDAS и DFM при значительно меньших вычислительных затратах.
1
По сравнению с динамическими факторными моделями MFESN значительно эффективнее вычислительно и может обрабатывать большое количество временных рядов.
2
В масштабных многошаговых прогнозах роста ВВП США MFESN обеспечивает более высокую или сопоставимую точность по сравнению с MIDAS и динамическими факторными моделями при существенно меньших вычислительных затратах.
3
MFESN позволяет использовать множество рядов смешанной частоты, избегая ограничений размерности, характерных для моделей MIDAS.
4
MFESN представляет сеть с эхо-состояниями как нелинейную модель пространства состояний со случайными рекуррентными коэффициентами, оценивая только отображение наблюдений.
5
В работе предложена многочастотная сеть с эхо-состояниями (MFESN) — структура на основе резервуарных вычислений для прогнозирования макроэкономических данных с неодинаковой частотой публикации.

Рост ВВП США при использовании макроэкономических временных рядов смешанной частоты

Эффективность многошагового прогнозирования и вычислительная эффективность методов резервуарных вычислений по сравнению с MIDAS и динамическими факторными моделями

Publication Details
Publication Date
2023-12-07
Journal
Publisher
ISSN
Cited by
31
Access Type
Author Information
Authors
Giovanni Ballarin
Πέτρος Δελλαπόρτας
Lyudmila Grigoryeva
Marcel Hirt
Sophie van Huellen
Juan‐Pablo Ortega
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%