Can Machine Learning Catch Economic Recessions Using Economic and Market Sentiments?
机器学习能否利用经济与市场情绪预测经济衰退？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：摘要明确以美国经济衰退为预测目标，并使用经济指标与市场情绪构建月度预测，直接对应宏观预测。
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
机器学习能否利用经济与市场情绪预测经济衰退？
- 研究问题
- 研究利用美国经济指标与市场情绪的月度数据，概率回归和机器学习方法能否准确、可靠地预测经济衰退。
- 方法与思路
- 作者使用 ARIMA 回推缺失数据，以 Boruta 等方法筛选变量，再交叉验证比较概率回归与多种机器学习模型。
- 材料陈述的贡献
- 摘要称基于七十五项变量开展衰退分类比较，以混淆矩阵、准确率和 F1 分数讨论模型表现及可能原因。
- 阅读关注点
- 应核对衰退标签和预测期限、时间顺序交叉验证、变量发布日期，以及回推和筛选步骤是否引入未来信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告模型得分或最优模型，也未说明实时预测设计。
原文摘要
Quantitative models are an important decision-making factor for policy makers and investors. Predicting an economic recession with high accuracy and reliability would be very beneficial for the society. This paper assesses machine learning technics to predict economic recessions in United States using market sentiment and economic indicators (seventy-five explanatory variables) from Jan 1986 - June 2022 on a monthly basis frequency. In order to solve the issue of missing time-series data points, Autoregressive Integrated Moving Average (ARIMA) method used to backcast explanatory variables. Analysis started with reduction in high dimensional dataset to only most important characters using Boruta algorithm, correlation matrix and solving multicollinearity issue. Afterwards, built various cross-validated models, both probability regression methods and machine learning technics, to predict recession binary outcome. The methods considered are Probit, Logit, Elastic Net, Random Forest, Gradient Boosting, and Neural Network. Lastly, discussed different models performance based on confusion matrix, accuracy and F1 score with potential reasons for their weakness and robustness.