Predicting Inflation with Recurrent Neural Networks
利用循环神经网络预测通货膨胀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：摘要直接研究美国通胀预测，并探索神经网络降维所得经济因子与周期指标的关系，对应宏观预测与因子分析。
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
利用循环神经网络预测通货膨胀
- 研究问题
- LSTM 能否利用动态依赖改善通胀预测，其内部降维表示是否包含有经济意义的信号，预测表现又如何受网络设定影响？
- 方法与思路
- 作者用 LSTM 预测美国通胀，与常见及机器学习基准比较，并分析隐含因子和经济周期指标的相关性及初始化、架构的影响。
- 材料陈述的贡献
- 摘要称神经网络总体表现有竞争力但并不突出；LSTM 在长预测期和高不确定性时期表现较好，隐含因子与周期指标高度相关。
- 阅读关注点
- 应核对样本划分、预测期和实时信息集，检查基准调参与初始化重复方式，并评估隐含因子的经济解释及样本外稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出误差数值、显著性或样本时段，因子相关性也不能证明因果作用。
原文摘要
This paper applies a recurrent neural network, the LSTM, to forecast inflation. This is an appealing model for time series as it processes each time step sequentially and explicitly learns dynamic dependencies. The paper also explores the dimension reduction capability of the model to uncover economically-meaningful factors that can explain the inflation process. Results from an exercise with US data indicate that the estimated neural nets present competitive, but not outstanding, performance against common benchmarks (including other machine learning models). The LSTM in particular is found to perform well at long horizons and during periods of heightened macroeconomic uncertainty. Interestingly, LSTM-implied factors present high correlation with business cycle indicators, informing on the usefulness of such signals as inflation predictors. The paper also sheds light on the impact of network initialization and architecture on forecast performance.