Performance of long short-term memory artificial neural networks in nowcasting during the COVID-19 crisis
COVID-19 危机期间长短期记忆网络的即时预测表现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：摘要直接研究宏观贸易即时预测，并以动态因子模型作为主要比较方法。
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
COVID-19 危机期间长短期记忆网络的即时预测表现
- 研究问题
- 在疫情冲击期间，长短期记忆网络能否改善全球贸易变量的即时预测，其误差、预测更新和可解释性表现如何？
- 方法与思路
- 作者使用实际数据版本，对三个全球贸易指标开展即时预测，并在指定季度比较 LSTM 与动态因子模型的误差及预测修订。
- 材料陈述的贡献
- 摘要称，LSTM 在三分之二的变量与季度组合中误差较小，预测更新更平缓；另提出解释方法并提供相关软件支持。
- 阅读关注点
- 应核对实时信息集、训练调参与预测窗口，以及误差比较的不确定性、修订度量和解释方法所支持的结论。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已经同行评审或期刊接收；比较限于所述指标和疫情季度，摘要未报告显著性或普遍优势。
原文摘要
The COVID-19 pandemic has demonstrated the increasing need of policymakers for timely estimates of macroeconomic variables. A prior UNCTAD research paper examined the suitability of long short-term memory artificial neural networks (LSTM) for performing economic nowcasting of this nature. Here, the LSTM's performance during the COVID-19 pandemic is compared and contrasted with that of the dynamic factor model (DFM), a commonly used methodology in the field. Three separate variables, global merchandise export values and volumes and global services exports, were nowcast with actual data vintages and performance evaluated for the second, third, and fourth quarters of 2020 and the first and second quarters of 2021. In terms of both mean absolute error and root mean square error, the LSTM obtained better performance in two-thirds of variable/quarter combinations, as well as displayed more gradual forecast evolutions with more consistent narratives and smaller revisions. Additionally, a methodology to introduce interpretability to LSTMs is introduced and made available in the accompanying nowcast_lstm Python library, which is now also available in R, MATLAB, and Julia.