Inflation forecasting with attention based transformer neural networks
基于注意力 Transformer 神经网络的通胀预测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：摘要直接比较 Transformer 与其他方法在通胀预测中的表现。
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…
基于注意力 Transformer 神经网络的通胀预测
- 研究问题
- 面对低频、波动较大且解释变量不明确的通胀数据，Transformer 能否在不同通胀指标与预测期上改善预测表现？
- 方法与思路
- 作者调整 Transformer 神经网络用于通胀预测，并将实验结果与既有经典时间序列和机器学习模型研究作比较。
- 材料陈述的贡献
- 摘要称模型在十六项实验中六项平均优于基线，在四种通胀率中两种得分最佳，优势限于部分指标与预测期。
- 阅读关注点
- 应核对样本外划分、基线是否包含随机游走、超参数调优及信息泄漏控制，并检查不同预测期的评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明数据、误差指标和显著性，不能据此认定普遍优于基线。
原文摘要
Inflation is a major determinant for allocation decisions and its forecast is a fundamental aim of governments and central banks. However, forecasting inflation is not a trivial task, as its prediction relies on low frequency, highly fluctuating data with unclear explanatory variables. While classical models show some possibility of predicting inflation, reliably beating the random walk benchmark remains difficult. Recently, (deep) neural networks have shown impressive results in a multitude of applications, increasingly setting the new state-of-the-art. This paper investigates the potential of the transformer deep neural network architecture to forecast different inflation rates. The results are compared to a study on classical time series and machine learning models. We show that our adapted transformer, on average, outperforms the baseline in 6 out of 16 experiments, showing best scores in two out of four investigated inflation rates. Our results demonstrate that a transformer based neural network can outperform classical regression and machine learning models in certain inflation rates and forecasting horizons.