В экономике известно много взаимосвязей между макроэкономическими переменными, а некоторые из них даже представлены в виде «законов» — например, денежная масса и инфляция или базовые процентные ставки и инфляция. Однако известные экономические модели обычно используют лишь небольшое количество переменных. В настоящее время, благодаря достижениям в области машинного обучения и больших данных, эти устоявшиеся модели могут быть улучшены. Возможное решение представлено в исследовательской статье Yang et al. (2020). Авторы строят графики знаний, где они связывают широко известные переменные, такие как ВВП, инфляция и т. д., с другими более или менее известными переменными на основе массивных текстовых данных из финансовых журналов и исследовательских отчетов, опубликованных ведущими аналитическими центрами, консалтинговыми фирмами или компаниями по управлению активами. компании. С помощью расширенной обработки естественного языка можно в основном «прочитать» все соответствующие опубликованные исследования и найти взаимосвязи между макроэкономическими переменными. В то время как для людей, читающих эту задачу, эта задача может занять годы, метод машинного обучения может пройти через эти тексты за гораздо более короткое время.
Кроме того, показано использование графов знаний в задаче прогнозирования инфляции или инвестиций. Как показано в документе, графы знаний можно использовать для выбора переменных с возможностью поиска альтернативных и новых отношений. Наконец, прогнозы, основанные на графиках знаний, также сравниваются с более традиционным «базовым» подходом, и авторы сравнивают методы как на краткосрочных, так и на долгосрочных периодах прогнозирования.
https://quantpedia.com/the-knowledge-graphs-for-macroeconomic-analysis-with-alternative-big-data/
