How is machine learning useful for macroeconomic forecasting?
机器学习如何帮助宏观经济预测？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。
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：摘要直接研究宏观经济预测及机器学习特征对预测表现的影响。
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…
机器学习如何帮助宏观经济预测？
- 研究问题
- 研究机器学习改善宏观预测的来源：收益究竟来自非线性、正则化、交叉验证还是损失函数，以及这些作用是否随信息环境变化。
- 方法与思路
- 作者设计预测实验，分别考察四类方法特征在数据丰富与稀缺环境中的表现，并分析预测收益与宏观不确定性等状态的联系。
- 材料陈述的贡献
- 摘要称非线性是主要收益来源，标准因子模型和 K 折交叉验证表现较好；非线性方法也有助于密度预测。
- 阅读关注点
- 应核对实验如何分离各特征的作用、预测期与比较基准如何设定，以及交叉验证是否妥善处理时间依赖和信息泄漏。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化；损失函数比较存在符号缺失，具体函数及结论范围无法确认。
原文摘要
Summary We move beyond Is Machine Learning Useful for Macroeconomic Forecasting? by adding the how . The current forecasting literature has focused on matching specific variables and horizons with a particularly successful algorithm. To the contrary, we study the usefulness of the underlying features driving ML gains over standard macroeconometric methods. We distinguish four so‐called features (nonlinearities, regularization, cross‐validation, and alternative loss function) and study their behavior in both the data‐rich and data‐poor environments. To do so, we design experiments that allow to identify the “treatment” effects of interest. We conclude that (i) nonlinearity is the true game changer for macroeconomic prediction, (ii) the standard factor model remains the best regularization, (iii) K‐fold cross‐validation is the best practice, and (iv) the is preferred to the ‐insensitive in‐sample loss. The forecasting gains of nonlinear techniques are associated with high macroeconomic uncertainty, financial stress and housing bubble bursts. Furthermore, ML nonlinearities are helpful when considering density forecasts.