用机器学习预测世界贸易：一种三步走的方法

陈庚辛,巴普蒂斯特·穆尼尔和塞巴斯蒂安·斯顿普纳

工作文件从法国银行

摘要：我们现在使用机器学习来预测世界贸易，区分基于树的方法（随机森林、梯度增强）和基于回归的对应方法（宏观经济随机森林、线性梯度增强）。虽然在文献中使用较少，但发现后者不仅优于基于树的技术，而且还优于更“传统”的线性和非线性技术（OLS、Markov开关、分位数回归）。它们在不同的视界和实时数据集上显著且一致地这样做。为了进一步提高使用机器学习进行预测时的性能，我们提出了一种灵活的三步方法，包括（步骤1）预选、（步骤2）因子提取和（步骤3）机器学习回归。我们发现，预选和因子提取都显著提高了基于机器学习的预测的准确性。这种三步方法还优于主要基准测试，如PCA-OLS模型、弹性网络或动态因子模型。最后，在高精度的基础上，该方法是灵活的，可以无缝扩展到世界贸易之外。

关键词： 预测;大数据;大型数据集;因子模型;预选（在EconPapers中搜索类似项目）
JEL代码： 第53页 C55级 第37页（在EconPapers中搜索类似项目）
页：49页
日期：2023
新经济学论文：此项目包含在棉结大和nep-用于
参考文献： 在CitEc上添加引用
引文： 查看EconPapers中的引文(2)

下载内容：（外部链接）
https://publications.banque-france.fr/sites/defaul ... /文档/dt917.pdf

相关工作：
工作文件：用机器学习预测世界贸易：一种三步方法(2023)
工作文件：用机器学习预测世界贸易：一种三步方法(2023)
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 RIS公司（尾注、ProCite、RefMan）HTML/文本

永久链接： https://EconPapers.repec.org/repec:bfr:banfra:917

访问统计信息用于本文

更多论文在来自的工作文件中法国银行法国银行小香槟街31号实验室-49-1404 75049巴黎。联系方式：EDIRC公司.
Michael brassart维护的系列书目数据().