Maschinelles Lernen Ansätze zur makroökonomischen Prognose

Die Prognose makroökonomischer Bedingungen kann herausfordernd sein, da die Prognostiker viele diskretionäre Entscheidungen über die Daten und Methoden treffen müssen, die sie verwenden. Obwohl Prognostiker die Entscheidungen, die sie über Modelle und Komplexität treffen, mit wirtschaftlicher Intuition und Urteil untermauern, können diese Annahmen fehlerhaft sein. {p} Maschinelles Lernen Ansätze hingegen automatisieren so viele dieser Entscheidungen wie möglich in einer Weise, die nicht dem Ermessen des Prognostikers unterliegt. Aaron Smalter Hall wendet Techniken des maschinellen Lernens an, um ein optimales Prognosemodell für die Arbeitslosenquote zu finden. Seine Ergebnisse deuten darauf hin, dass ein Modell des maschinellen Lernens bei Bereitstellung diverser und komplexer Daten einfachere Zeitreihenmodelle sowie einen Konsens von professionellen Prognostikern übertreffen kann, mit besserer Leistung bei kürzeren Zeiträumen. Insbesondere zeigen seine Ergebnisse, dass ein Modell des maschinellen Lernens Wendepunkte in der Arbeitslosenquote früher identifizieren kann als konkurrierende Methoden.