摘要: | 本案主旨為大數據機器學習,也就是所謂 data-driven。基於此,我們旨在提出一個「訓練」景氣循環「預測」的大規模資料結構。我們採用68筆變數,從1982/1 到 2019/12,與兩組機器學習模型:組1: GLM, SVM, TREE, RF。組2: H2O.ai 的autoML和RNN-LSTM。 本案對於採納人工智慧方法對時間序列預測的建議:任何單一模型皆會面臨未來資料性質不確定帶來的預測問題,因此,人工智能或機器學習等模型也不例外。但是, data-driven 的機器學習有大量模型可以訓練出大量預測,因此,採用 Forecasting Average 整合結果可提高預測正確性。LSTM學習過程複雜,因此演算耗時且表現也沒有比較好,人工智慧平台H2O.ai 提供的開源程式 autoML 有深度學習的項目,而且是將五個進階模型做預測平均組合。相當符合我們做的方式,建議未來可以直接採用。 未來研究建議:採用 Rabinowicz and Rosset (2020) 的Corrected CV 更精確掌握模型篩選,提升forecasting average 的表現。
|
---|