12篇ＶＡＲ及神经网络经典论文

资 源 简 介

12篇ＶＡＲ及神经网络经典论文

详 情 说 明

VAR（向量自回归）模型和神经网络的结合近年来在时间序列预测领域产生了深远影响。以下是12篇该领域的奠基性论文及其核心贡献：

VAR模型基础篇 Sims(1980)首次提出VAR框架，突破传统计量经济学限制，允许内生变量相互影响 Bernanke(1986)的SVAR扩展引入经济结构约束，使脉冲响应更具解释力

神经网络时序预测里程碑 Werbos(1990)将BPTT算法应用于RNN，奠定时序神经网络训练基础 Hochreiter(1997)的LSTM论文解决了长期依赖问题，现已成为标准架构

融合创新研究 Connor(1994)最早将RNN与ARIMA结合，开创混合模型先河 Lai(2017)提出的LSTNet首次在深度网络中显式建模AR成分

前沿突破 Salinas(2020)的DeepAR将概率预测与自回归结合，被AWS采用为服务 Oreshkin(2019)的N-BEATS纯神经网络架构在M4竞赛中超越统计方法

这些论文共同构建了现代时序预测的理论框架，其中VAR提供可解释的线性基础，神经网络则捕捉复杂非线性关系。最新趋势显示，结合两者优势的混合架构往往能实现最佳预测性能。