Inside the black box: Neural network-based real-time prediction of US recessions
打开黑箱：基于神经网络的美国衰退实时预测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：摘要核心任务是美国经济衰退的实时与样本外预测，神经网络和解释方法均服务于宏观预测评价。
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
打开黑箱：基于神经网络的美国衰退实时预测
- 研究问题
- LSTM 和 GRU 能否改善美国经济衰退的实时预测，尤其是较长期限预测，其输出能否解释为对周期非线性和不对称性的捕捉？
- 方法与思路
- 作者使用 1967—2021 年美国衰退数据比较神经网络与传统线性模型的样本外预测，并用 SHAP、LIME 和边际效应解释结果。
- 材料陈述的贡献
- 摘要称样本外表现支持使用两类网络进行衰退预测；解释分析指出标普 500 对短期、期限利差对较长期预测具有重要作用。
- 阅读关注点
- 应核对实时数据版本与发布日期、训练和样本外划分、预测评价指标，以及解释方法的一致性是否足以支持周期机制的判断。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未报告预测精度数值或实时信息集细节，解释结果不构成因果证据。
原文摘要
Long short-term memory (LSTM) and gated recurrent unit (GRU) are used to model US recessions from 1967 to 2021. Their predictive performances are compared to those of the traditional linear models. The out-of-sample performance suggests the application of LSTM and GRU in recession forecasting, especially for longer-term forecasts. The Shapley additive explanations (SHAP) method is applied to both groups of models. The SHAP-based different weight assignments imply the capability of these types of neural networks to capture the business cycle asymmetries and nonlinearities. The SHAP method delivers key recession indicators, such as the S&P 500 index for short-term forecasting up to 3 months and the term spread for longer-term forecasting up to 12 months. These findings are robust against other interpretation methods, such as the local interpretable model-agnostic explanations (LIME) and the marginal effects.