|
| Συλλογές |
|
| Τίτλος |
Penalized regressions and tree based methods for macroeconomic forecasting: a machine learning approach
|
| Εναλλακτικός τίτλος |
Penalized regressions και tree based μέθοδοι για μακροοικονομικές προβλέψεις: μία προσέγγιση μηχανικής μάθησης
|
| Δημιουργός |
Παυλόπουλος, Βασίλειος
|
| Συντελεστής |
Athens University of Economics and Business, Department of Economics
Δενδραμής, Ιωάννης
Τζαβαλής, Ηλίας
Διοικητόπουλος, Ευάγγελος
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
47p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7755
|
| Περίληψη |
Macroeconomic forecasting using machine learning methods is a recently developed, but fast growing, field of study. This paper presents the attempts that have been made until now in this field. Additionally, some of the most popular machine learning methods are implemented, in order to forecast two important U.S macroeconomic series. These techniques are: Lasso, Ridge, Elastic Net, Random Forest and Adaboost. The results indicate that machine learning outperforms, in most of the cases, the time series benchmark model.
Οι μακροοικονομικές προβλέψεις με την χρήση τεχνικών μηχανικής μάθησης είναι ένας τομέας που άρχισε να αναπτύσσεται πρόσφατα, αλλά με μεγάλη ταχύτητα. Αυτή η μελέτη παρουσιάζει τις προσπάθειες που έχουν γίνει μέχρι τώρα στον τομέα αυτό. Επιπλέον, μερικές από τις πιο δημοφιλείς τεχνικές μηχανικής μάθησης εφαρμόζονται, με σκοπό την πρόβλεψη δύο σημαντικών μακροοικονομικών μεταβλητών της οικονομίας των Ηνωμένων Πολιτειών. Οι τεχνικές αυτές είναι οι: Lasso, Ridge, Elastic Net, Random Forest και Adaboost. Τα αποτελέσματα δείχνουν ότι οι τεχνικές μηχανικές μάθησης αποδίδουν καλύτερα, στις περισσότερες περιπτώσεις, από το μοντέλο χρονοσειράς, που χρησιμοποιείται ως σημείο αναφοράς.
|
| Λέξη κλειδί |
Μηχανική μάθηση
Παλινδρόμηση με ποινή
Τυχαίο δάσος
Macroeconomic forecasting
Machine learning
Penalized regression
Random forest
Boosting
Μακροοικονομικές προβλέψεις
|
| Διαθέσιμο από |
2020-03-27 16:15:24
|
| Ημερομηνία έκδοσης |
28-02-2020
|
| Ημερομηνία κατάθεσης |
2020-03-27 16:15:24
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|