本文提出一种基于 IMF 点预测及其历史误差分布的简单方法，用于生成 G7 经济体增长和通胀的预测分布，其表现不逊于复杂时间序列模型，并提供可视化网站和实时数据文件。
摘要：
我们提出了一种预测 G7 经济体产出增长和通胀分布的简单方法。该方法基于国际货币基金组织（IMF）发布的点预测，以及 IMF 过去预测误差经验分布的稳健统计量，同时对跨预测期限的预测区间施加一致性约束。我们表明，该技术能生成校准良好的预测区间，并且在统计损失函数方面，其表现与更复杂的时间序列模型相当或更优。我们提供了一个简单的网站，以图形方式展示我们的预测，并提供带时间戳的数据文件，以记录其实时性。
英文摘要：
We present a simple method for predicting the distribution of output growth and inflation in the G7 economies. The method is based on point forecasts published by the International Monetary Fund (IMF), as well as robust statistics from the empirical distribution of the IMF's past forecast errors while imposing coherence of prediction intervals across horizons. We show that the technique yields calibrated prediction intervals and performs similar to, or better than, more complex time series models in terms of statistical loss functions. We provide a simple website with graphical illustrations of our forecasts, as well as time-stamped data files that document their real-time character.
Macroeconomic forecasting with LSTM and mixed frequency time series data
Faculty of Economics, Khon Kaen University（孔敬大学经济学院）；Khon Kaen University（孔敬大学）
本文展示了长短期记忆（LSTM）在应用于不同频率采样的宏观经济时间序列数据时的潜力。我们首先介绍了当对所有低频输出和高频变量对应用相同的失配比时，传统的LSTM模型如何适应在混合频率下观察到的时间序列。为了将LSTM推广到多个失配率的情况，我们采用了无限制混合数据采样（U-MIDAS）方案（Foroni et al.，2015年）引入LSTM架构。我们评估通过bothMonte Carlo模拟和实证应用的样本预测性能。我们提出的模型优于限制MIDAS模型，即使在一个设置有利于MIDAS估计。对于现实世界的应用，我们研究预测泰国实际GDP的季度增长率，使用大量的宏观经济指标季度和月度。我们使用U-MIDAS方案的LSTM在所有范围内都轻松击败了简单的基准AR（1）模型，但仅在一个月和六个月的时间内优于强基准单变量LSTM。尽管如此，我们发现，我们提出的模型可能是非常有帮助的，在大的经济低迷时期的短期预测。模拟和实验结果似乎支持我们提出的LSTM with U-MIDAS方案用于临近预报应用。
A Projection-Based ARIMA Framework for Nonlinear Dynamics in Macroeconomic and Financial Time Series: Closed-Form Estimation and Rolling-Window Inference
Department of Economics University of California, Riverside（经济系加州大学河滨分校）
Forecasting the Price of Carbon with Macroeconomic and Financial variables
University of Milan（米兰大学）；Fondazione Eni Enrico Mattei (FEEM)（埃尼·恩里科·马泰伊基金会）；Study Center Gerzensee, Foundation of the Swiss National Bank（瑞士国家银行格尔岑塞研究中心）；ClearBlue Markets
