摘要
采用机器学习技术(BP神经模型、随机森林分位数回归、长短期记忆神经网网络LSTM)和传统统计方法(ARIMA模型)相结合对美国、英国经济政策不确定指数(EPU)历史数据进行拟合,结果发现四种方法中,长短期记忆神经网络LSTM的拟合效果最优,其次是随机森林分位数回归方法和BP神经网络技术,ARIMA模型拟合效果最差。美国EPU历史数据时间维度比英国EPU历史数据时间维度长,因而LSTM神经网络技术的拟合效果优越度非常显著,ARIMA模型的拟合均方根误差几乎是LSTM神经网络技术拟合均方根误差的3倍。机器学习技术对宏观经济变量的非线性长期预测,尤其是在大数据背景下具有较强适用性。
出处
《统计理论与实践》
2021年第12期9-14,共6页
STATISTICAL THEORY AND PRACTICE
基金
国家自然科学基金项目“巨灾风险的宏观经济动态效应及防范机制研究”(71603243)
教育部人文社会科学基金项目“灾难风险冲击下的资产定价之谜、宏观经济波动及最优财政货币政策研究”(18YJA790101)。
