基于机器学习LSTMUS模型的消费者信心指数预测研究

发布时间：2021-11-08 22:37

　　消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆（Long Short-Term Memory,LSTM）神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据（User Search,US）,进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度; LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型（LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US）;预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。 

【文章来源】：统计研究. 2020,37(07)北大核心CSSCI

【文章页数】：12 页

【文章目录】：
一、引言
二、预测模型设计
    (一)LSTM&US预测模型的构建方法
    (二)LSTM&US神经网络算法
三、实证研究
    (一)数据来源
    (二)模型输入集构造
    (三)模型预测性能度量指标
    (四)实证结果与分析
四、结论与启示


【参考文献】：
期刊论文
[1]基于神经网络的股票预测模型[J]. 乔若羽.  运筹与管理. 2019(10)
[2]中国70年发展历程与大国发展模式——第十三届中国经济增长与周期高峰论坛综述[J]. 郎丽华,周明生,刘召圣.  经济研究. 2019(10)
[3]城市居民生活质量“总体稳定、稳中有忧”——2019年中国35个城市生活质量报告[J]. 张连城,郎丽华,赵家章,王银,郝宇彪,张自然,王钰.  经济学动态. 2019(09)
[4]基于Xgboost和LightGBM算法预测住房月租金的应用分析[J]. 谢勇,项薇,季孟忠,彭俊,黄益槐.  计算机应用与软件. 2019(09)
[5]机器学习驱动的基本面量化投资研究[J]. 李斌,邵新月,李玥阳.  中国工业经济. 2019(08)
[6]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚.  统计研究. 2019(03)
[7]一种基于差分灰狼算法的消费者信心预测指数的设计[J]. 邹鸿飞,王建州.  数量经济技术经济研究. 2019(02)
[8]基于蝙蝠算法SVR模型的北京市二手房价预测研究[J]. 唐晓彬,张瑞,刘立新.  统计研究. 2018(11)
[9]基于长短记忆型卷积神经网络的犯罪地理位置预测方法[J]. 肖延辉,王欣,冯文刚,田华伟,吴绍忠,李丽华.  数据分析与知识发现. 2018(10)
[10]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华.  统计与信息论坛. 2018(05)



本文编号：3484188