经济学中的多元时间序列建模：从自动回归到循环神经网络-研究论文

以不可知的方式对多元时间序列进行建模，不假设潜在的理论结构，传统上是使用矢量自动回归进行的。 它们非常适合线性和与状态无关的进化。 多元循环神经网络的更通用方法允许捕获非线性和状态相关的动态。 本文采用一系列小规模到大规模的长期短期记忆 MRNN，并将它们与 VAR 进行比较，以应用于美国有关 GDP 增长、通货膨胀、商品价格、联邦基金利率和银行准备金的数据。 即使在小样本情况下，MRNN 在预测样本外方面也明显优于 VAR。 MRNN 还通过脉冲响应函数在可解释性方面表现更好：例如，联邦基金利率变量的冲击会产生根据传统经济理论更合理的系统动态。 此外，本文还展示了由于其固有的非线性，MRNN 如何（以无监督的方式）发现不同的宏观经济体制。 利用其状态依赖性，MRNN 也可能是在实际相关经济条件（例如零下限）下进行政策模拟的有用工具。