利用ARIMA模型、隐马尔可夫模型以及HMM-LSTM混合模型进行GDP预测：来自五个经济体的实证研究 作者：Achilleas Tampouris 和 Chaido Dritsaki

《Forecasting》：GDP Forecasting with ARIMA, Hidden Markov Models, and an HMM–LSTM Hybrid: Evidence from Five Economies Achilleas Tampouris and Chaido Dritsaki

　　

摘要

本文提出了一种混合计量经济学和机器学习的框架，用于预测国内生产总值（GDP），该框架将长期结构与短期制度动态联系起来。利用1960年至2024年的世界银行年度数据，该框架结合了三个互补的组成部分：一个ARIMA基线模型，用于捕捉经济数据的持续性；一个三状态隐马尔可夫模型（HMM），用于进行概率性的制度识别；以及一个基于LSTM的扩展模型，用于学习与制度转换相关的非线性模式。文中对五个代表性国家（美国、中国、德国、印度和希腊）进行了详细的样本外预测分析，这些国家被选为示例，以展示在不同波动性和经济环境下的预测表现。在这些案例研究中，集成后的HMM-LSTM方法通常比基准方法具有更低的预测误差，尽管各国的收益幅度并不统一。除了点预测性能外，该框架还提供了可解释的商业周期条件概率表示，有助于实时监控和早期预警评估。通过结合透明度和适应性，所提出的框架为预测研究做出了贡献，并在宏观经济不确定性增加的情况下提供了一个实用的决策支持工具。