The rapid development of machine le

The rapid development of machine learning (ML) provides new tools for predicting financial-economic time series. However, this paper argues that, from the perspective of time series, machine learning prediction is merely a one-step forecasting, which is usually good but of limited use. This study evaluates the predictive capability of machine learning methods by filtering multi-step forecasts of several models on datasets of two frequencies: US monthly unemployment rate and daily volatility data of exchange- traded fund (ETF) price. Our results show that:First, for one-step forecasting, all models exhibit good predictability; among them, ML methods are not apex forecasters, and several nonlinear statistical time series models outperform MLs.Second, MLs are not good forecasters when it comes to multistep forecasting. Except the deep learning method known as long short-term memory (LSTM), other ML methods and econometric time series models show themselves as poor forecasters. Moreover, although LSTM outdid itself in forecasting, its performance requires a deeply and properly trained pattern recognition from the network loops, it is not only time-consuming, but also unpredictable.

結果 (繁體中文) 1:

機器學習的快速發展（ML）提供了預測金融經濟時間序列的新工具。然而，本文認為，從時間序列的角度來看，機器學習預測僅僅是單步預測，這通常是良好的用途有限，但是。本研究評估了由兩個頻率上的數據集過濾幾種型號的多步預測的機器學習方法的預測能力：美國月度失業率和上市交易基金（ETF）的價格日波動數據。我們的研究結果表明：
首先，對於一個步預測，所有模型表現出良好的可預測性; 其中，ML方法不是頂點預測，和幾個非線性統計時間序列模型跑贏大盤的ML。
其次，MLS並不好預測，當涉及到多步預測。除了被稱為長短期記憶（LSTM）深的學習方法，其他的方法，ML和計量經濟時間序列模型表明自己是可憐的預測。此外，雖然在LSTM勝過預測本身，它的性能需要從網絡環路，一個深刻和適當的培訓模式識別，它不僅費時，而且難以預料。

結果 (繁體中文) 2:

機器學習 （ML） 的迅速發展為預測金融經濟時間序列提供了新的工具。然而，本文認為，從時間序列的角度看，機器學習預測只是一步式預測，通常是好的，但使用有限。本研究通過過濾兩個頻率資料集上的多個模型的多步預測來評估機器學習方法的預測能力：美國每月失業率和交易所交易基金（ETF）價格的每日波動資料。我們的結果顯示：
首先，對於一步預測，所有模型都表現出良好的可預測性;其中，ML 方法不是頂點預測器，並且多個非線性統計時間序列模型優於 ML。
其次，在多步預測方面，ML 不是很好的預測者。除了被稱為長短期記憶 （LSTM） 的深層學習方法外，其他 ML 方法和計量經濟學時間序列模型都表現出自己是較差的預測者。此外，儘管 LSTM 在預測方面表現優異，但其性能需要從網路環路進行深入且經過適當訓練的模式識別，這不僅耗時，而且不可預測。

結果 (繁體中文) 3:

機器學習的迅速發展為預測金融經濟時間序列提供了新的工具。然而，本文認為，從時間序列的角度來看，機器學習預測僅僅是一步預測，通常是好的，但應用有限。本研究以美國月失業率及交易所買賣基金（ETF）價格日波動率兩個頻率的數据集為樣本，透過過濾多個模型的多步預測，來評估機器學習方法的預測能力。我們的結果表明：
首先，對於一步預測，所有模型都表現出良好的可預測性，其中，最大似然估計方法不是最高級的預測方法，一些非線性統計時間序列模型的預測效能優於最大似然估計。
其次，在多步預測方面，MLs不是很好的預測者。除了被稱為長期短期記憶（LSTM）的深度學習方法外，其他的ML方法和計量經濟時間序列模型都顯示出自己的預測能力較差。此外，雖然LSTM在預測方面做得比它自己好，但它的效能要求從網絡環路中進行深入和適當訓練的模式識別，它不僅耗時而且不可預測。