Reservoir Computing for Macroeconomic Forecasting with Mixed Frequency Data
利用混合频率数据进行宏观预测的储备池计算方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以混合频率宏观数据和美国 GDP 增长多步预测为主要任务；动态因子模型作为比较对象，不足以单独归入因子模型方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用混合频率数据进行宏观预测的储备池计算方法
- 研究问题
- 面对规模较大且发布频率不同的宏观数据，如何构建兼顾非线性、多序列输入和计算成本的预测方法，并评估美国 GDP 增长预测表现？
- 方法与思路
- 作者提出多频率回声状态网络，将随机状态系数的递归神经网络写成非线性状态空间系统，仅估计观测映射，并与 MIDAS 和动态因子模型比较。
- 材料陈述的贡献
- 摘要称，在美国 GDP 增长的多步预测实验中，所提模型以较低计算成本达到优于或接近 MIDAS 和动态因子模型的表现，并能纳入较多序列。
- 阅读关注点
- 应核对混合频率数据对齐、发布滞后与实时信息集、储备池规模和调参方式，以及样本外划分、多步预测指标和计算成本的公平比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明预测窗口、数据版本及数值结果，不能将美国 GDP 实验推广为普遍优势。
原文摘要
Macroeconomic forecasting has recently started embracing techniques that can deal with large-scale datasets and series with unequal release periods. MIxed-DAta Sampling (MIDAS) and Dynamic Factor Models (DFM) are the two main state-of-the-art approaches that allow modeling series with non-homogeneous frequencies. We introduce a new framework called the Multi-Frequency Echo State Network (MFESN) based on a relatively novel machine learning paradigm called reservoir computing. Echo State Networks (ESN) are recurrent neural networks formulated as nonlinear state-space systems with random state coefficients where only the observation map is subject to estimation. MFESNs are considerably more efficient than DFMs and allow for incorporating many series, as opposed to MIDAS models, which are prone to the curse of dimensionality. All methods are compared in extensive multistep forecasting exercises targeting US GDP growth. We find that our MFESN models achieve superior or comparable performance over MIDAS and DFMs at a much lower computational cost.