GDP nowcasting with artificial neural networks: How much does long-term memory matter?

要約

人工ニューラル ネットワーク (ANN) を適用して、米国経済の四半期 GDP 成長率をナウキャストします。
月次の FRED-MD データベースを使用して、多層パーセプトロン (MLP)、1 次元畳み込みニューラル ネットワーク (1D CNN)、エルマンリカレント ニューラル ネットワーク (RNN)、ロング ショートの 5 つの異なる ANN アーキテクチャのナウキャスティング パフォーマンスを比較します。
-term メモリ ネットワーク (LSTM)、およびゲート付きリカレント ユニット (GRU)。
実証分析では、2 つの明確に異なる評価期間からの結果が示されています。
最初の期間（2012:Q1 — 2019:Q4）は均衡のとれた経済成長を特徴とし、2 番目の期間（2012:Q1 — 2022:Q4）には新型コロナウイルス感染症不況の期間も含まれています。
私たちの結果によると、バランスのとれた経済成長の期間では、入力シーケンスが長いほど、より正確なナウキャストが得られます。
ただし、この効果は、約 6 四半期 (18 か月) という比較的低いしきい値を超えると停止します。
経済混乱期 (例: 新型コロナウイルス感染症不況期) では、入力シーケンスが長くてもモデルの予測パフォーマンスには役に立ちません。
むしろ、一般化能力を弱めているようです。
2 つの評価期間の結果を総合すると、長期記憶を可能にするアーキテクチャ上の特徴によって、より正確なナウキャストが得られるわけではないことがわかります。
ネットワーク アーキテクチャを比較すると、1D CNN が GDP ナウキャスティングに非常に適したモデルであることが証明されました。
このネットワークは、最初の評価期間中に競合他社の中で優れたナウキャスティング パフォーマンスを示し、2 回目の評価期間中に全体的に最高の精度を達成しました。
したがって、最初に文献で、経済ナウキャスティングへの 1D CNN の適用を提案します。

要約(オリジナル)

We apply artificial neural networks (ANNs) to nowcast quarterly GDP growth for the U.S. economy. Using the monthly FRED-MD database, we compare the nowcasting performance of five different ANN architectures: the multilayer perceptron (MLP), the one-dimensional convolutional neural network (1D CNN), the Elman recurrent neural network (RNN), the long short-term memory network (LSTM), and the gated recurrent unit (GRU). The empirical analysis presents results from two distinctively different evaluation periods. The first (2012:Q1 — 2019:Q4) is characterized by balanced economic growth, while the second (2012:Q1 — 2022:Q4) also includes periods of the COVID-19 recession. According to our results, longer input sequences result in more accurate nowcasts in periods of balanced economic growth. However, this effect ceases above a relatively low threshold value of around six quarters (eighteen months). During periods of economic turbulence (e.g., during the COVID-19 recession), longer input sequences do not help the models’ predictive performance; instead, they seem to weaken their generalization capability. Combined results from the two evaluation periods indicate that architectural features enabling long-term memory do not result in more accurate nowcasts. Comparing network architectures, the 1D CNN has proved to be a highly suitable model for GDP nowcasting. The network has shown good nowcasting performance among the competitors during the first evaluation period and achieved the overall best accuracy during the second evaluation period. Consequently, first in the literature, we propose the application of the 1D CNN for economic nowcasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google