کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8953646 1645960 2019 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
News-based forecasts of macroeconomic indicators: A semantic path model for interpretable predictions
ترجمه فارسی عنوان
پیش بینی های مبتنی بر اخبار شاخص های اقتصاد کلان: یک مدل مسیر معنایی برای پیش بینی های قابل تفسیر
کلمات کلیدی
ترجمه چکیده
آب و هوای اقتصاد کلان عملیات را با توجه به، مانند قیمت مواد اولیه، تامین مالی، استفاده از زنجیره تامین و تقاضای تقاضا، تحت تاثیر قرار می دهد. به منظور انطباق با محیط اقتصادی، تصمیم گیرندگان در بخش های عمومی و خصوصی نیاز به پیش بینی دقیق چشم انداز اقتصادی دارند. چارچوب پیش بینی موجود، پیش بینی های خود را اساسا بر تحلیل های سری زمانی و همچنین قضاوت کارشناسان متمرکز می کند. به عنوان یک نتیجه، رویکردهای فعلی اغلب بی اعتبار و مستعد خطا هستند. به منظور کاهش اشتباهات پیش بینی شده، این مقاله ارائه یک روش ابتکاری است که متغیرهای تاخیر را با داده های غیر ساختاری در قالب اخبار مالی گسترش می دهد: (1) مدل های مختلفی را از یادگیری ماشین به شمارش کلمه به عنوان یک ورودی با ابعاد بزرگ اعمال می کنیم. با این حال، این رویکرد از تفسیری کم و بیش از حد، از انگیزه دادن به داروهای زیر جلوگیری می کند. (2) ما از شهود پیروی می کنیم که محیط زیست اقتصادی به واسطه احساسات عمومی هدایت می شود و پیشنهاد می دهد که طرح هایی از کلمات را بر ساختار معنایی نهانی به عنوان ابزاری برای مهندسی ویژگی ها بیان شود. (3) ما یک مدل مسیر معنایی همراه با روش برآورد مبتنی بر تنظیم را پیشنهاد می کنیم تا تفسیر کامل از پیش بینی ها را انجام دهیم. ما عملکرد پیش بینی شده رویکرد ما را با استفاده از 80،813 آگهی آگهی نشان می دهیم تا پیش بینی های طولانی مدت در مورد شاخص های کلیدی اقتصاد کلان را پیش بینی کنیم. تست برگشت نشان می دهد کاهش قابل توجهی در خطاهای پیش بینی شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
The macroeconomic climate influences operations with regard to, e.g., raw material prices, financing, supply chain utilization and demand quotas. In order to adapt to the economic environment, decision-makers across the public and private sectors require accurate forecasts of the economic outlook. Existing predictive frameworks base their forecasts primarily on time series analysis, as well as the judgments of experts. As a consequence, current approaches are often biased and prone to error. In order to reduce forecast errors, this paper presents an innovative methodology that extends lag variables with unstructured data in the form of financial news: (1) we apply a variety of models from machine learning to word counts as a high-dimensional input. However, this approach suffers from low interpretability and overfitting, motivating the following remedies. (2) We follow the intuition that the economic climate is driven by general sentiments and suggest a projection of words onto latent semantic structures as a means of feature engineering. (3) We propose a semantic path model, together with estimation technique based on regularization, in order to yield full interpretability of the forecasts. We demonstrate the predictive performance of our approach by utilizing 80,813 ad hoc announcements in order to make long-term forecasts of up to 24 months ahead regarding key macroeconomic indicators. Back-testing reveals a considerable reduction in forecast errors.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Journal of Operational Research - Volume 272, Issue 1, 1 January 2019, Pages 162-175
نویسندگان
, ,