黑匣子内部：基于神经网络的美国经济衰退实时预测

Seulki Chung先生

论文从arXiv.org网站

摘要：长短期记忆（LSTM）和门控递归单元（GRU）被用来模拟1967年至2021年的美国经济衰退。将其预测性能与传统线性模型进行了比较。样本外表现表明LSTM和GRU在衰退预测中的应用，尤其是在长期预测中。Shapley加性解释（SHAP）方法适用于两组模型。基于SHAP的不同权重分配意味着这些类型的神经网络能够捕获商业周期的不对称性和非线性。SHAP方法提供了关键的衰退指标，例如用于3个月内短期预测的标准普尔500指数和用于12个月内长期预测的期限差。这些发现与其他解释方法相比是稳健的，例如局部可解释模型-认知解释（LIME）和边际效应。

日期：2023-10年，2024-05年修订
新经济学论文：此项目包含在棉结大,nep-cmp和nep-mac公司
参考文献： 查看EconPapers中的参考 从CitEc查看完整的参考列表
引文：

下载内容：（外部链接）
http://arxiv.org/pdf/2310.17571最新版本（应用程序.pdf）

相关工作：
该项目可在EconPapers的其他地方获得：搜索对于具有相同标题的项目。

导出参考： BibTeX公司 里斯（尾注、ProCite、RefMan）HTML/文本

永久链接： https://EconPapers.repec.org/repec:arx:papers:2310.17571

访问统计信息用于本文

更多论文在来自的论文中arXiv.org网站
arXiv管理员维护的系列书目数据().