Forecasting with Neuro-Dynamic Programming
利用神经动态规划进行经济预测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。
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：摘要围绕 GDP 预测、跨国训练和样本外预测误差比较展开，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
利用神经动态规划进行经济预测
- 研究问题
- 神经动态规划能否利用高维经济状态进行国内生产总值预测，跨国训练和非线性价值函数近似会怎样影响样本外误差？
- 方法与思路
- 作者采用关注相邻时点预测差异的神经动态规划，以历史数据引导序贯学习，并比较跨国训练及线性、神经网络架构。
- 材料陈述的贡献
- 摘要称，其他国家数据训练的模型可优于葡萄牙自身历史数据训练的模型；非线性架构较 OLS 的样本外 MAE 降低百分之三十二。
- 阅读关注点
- 应核对预测目标、序贯损失和价值函数的定义，以及跨国训练的可比性、信息时点与百分之三十二改善对应的实验设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明样本期限、误差不确定性及基准调参，报告的改善仅限所述应用。
原文摘要
Economic forecasting is concerned with the estimation of some variable like gross domestic product (GDP) in the next period given a set of variables that describes the current situation or state of the economy, including industrial production, retail trade turnover or economic confidence. Neuro-dynamic programming (NDP) provides tools to deal with forecasting and other sequential problems with such high-dimensional states spaces. Whereas conventional forecasting methods penalises the difference (or loss) between predicted and actual outcomes, NDP favours the difference between temporally successive predictions, following an interactive and trial-and-error approach. Past data provides a guidance to train the models, but in a different way from ordinary least squares (OLS) and other supervised learning methods, signalling the adjustment costs between sequential states. We found that it is possible to train a GDP forecasting model with data concerned with other countries that performs better than models trained with past data from the tested country (Portugal). In addition, we found that non-linear architectures to approximate the value function of a sequential problem, namely, neural networks can perform better than a simple linear architecture, lowering the out-of-sample mean absolute forecast error (MAE) by 32% from an OLS model.