Time series forecasting is a challe

Time series forecasting is a challenging field for machine learning. In most built- in prediction of machine learning tools, it is one-step forecasting from the perspective of time series. In most predictive equations, one-step forecasts are usually good but useless in practice. This paper compares the performance of multistep forecasting of machine learning methods and statistical time series models. We use datasets of two frequencies: US monthly unemployment rate and daily volatility data of exchange- traded fund (ETF) price; and our results show that:First, for one-step forecasting, all models exhibit good out-of-sample predictability; among them, ML methods are not apex forecasters, and several nonlinear statistical time series models outperform them.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:

時間序列預測是機器學習領域的挑戰。在機器學習工具預測最內置，從時間序列的角度看一步預測。在大多數的預測公式，一步到位的預測通常是好的，但在實踐中無用的。本文的機器學習方法和統計時間序列模型預測多級的性能進行比較。我們使用兩個頻率的數據集：美國月度失業率和上市交易基金（ETF）的價格日波動數據; 而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外的樣本可預測性; 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超越他們。
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:

時序預測是機器學習的一個具有挑戰性的領域。在大多數內置的機器學習工具預測中，它是從時間序列的角度進行一步式預測。在大多數預測方程中，一步預測通常是好的，但在實踐中毫無用處。本文比較了機器學習方法和統計時序模型的多步預測性能。我們使用兩個頻率的資料集：美國月度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樣本外可預測性;其中，ML方法不是頂點預測器，並且幾個非線性統計時間序列模型的性能優於它們。
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:

時間序列預測是機器學習的一個具有挑戰性的領域。在大多數機器學習工具的內建預測中，它是從時間序列的角度進行的一步預測。在大多數預測方程中，一步預測通常是好的，但在實際中是無用的。本文比較了機器學習方法和統計時間序列模型的多步預測效能。我們使用兩種頻率的數据集：美國月度失業率和交易所交易基金（ETF）價格的日波動率數據；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樣本外可預測性；其中，ML方法不是頂點預測方法，一些非線性統計時間序列模型的預測效果優於它們。
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。