The benefits of forecasting inflation with machine learning: New evidence
机器学习预测通胀的收益：新证据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：摘要围绕多国通胀预测、机器学习方法比较及预测区间评价展开，直接属于宏观预测而非资产收益预测。
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…
机器学习预测通胀的收益：新证据
- 研究问题
- 随机森林预测美国通胀的既有优势，能否在更多机器学习方法、加拿大和英国数据，以及疫情后高通胀时期得到复现？
- 方法与思路
- 作者复现既有主要结果，扩展方法集合和国家数据，加入预测区间覆盖率与宽度比较，并将评估样本延伸至二〇二二年十月。
- 材料陈述的贡献
- 摘要称，窄范围复现确认原发现，但扩大比较后其他方法常更准确；疫情及随后高通胀期中，随机波动率和部分梯度提升方法表现更好。
- 阅读关注点
- 应核对各方法的数据、调参和预测信息集是否一致，分时期误差如何比较，以及预测区间构造、覆盖率和宽度如何共同评价。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体误差差距、统计显著性或区间结果；扩展样本中的方法优势不等于未来时期的普遍优势。
原文摘要
Summary Medeiros et al. (2021) (Journal of Business & Economic Statistics, 39:1, 98–119) find that random forest (RF) outperforms US inflation forecasting benchmarks. We replicate the main results in Medeiros et al. (2021) and (1) considerably expand the set of machine learning methods, (2) analyse the predictive ability of both the initial and extended sets of methods on Canadian and UK data, (3) add results on coverage rates and widths of prediction intervals and (4) extend the sample from January 2016 to October 2022. Our narrow replication confirms the main findings of the original paper. However, the wider replication results suggest that other methods are competitive with RF and often more accurate. In addition, RF produces disappointing results during the coronavirus pandemic and subsequent high inflation of 2020–2022, whereas a stochastic volatility model and some gradient boosting methods produce more accurate forecasts.