Macroeconomic forecasting: time series econometrics versus machine learning methods
A área de previsão macroeconômica é um campo de estudo desafiador e ao mesmo tempo extremamente relevante, tanto para a academia quanto para diversos setores do mercado e do governo. Neste trabalho, realizamos uma comparação empírica do desempenho preditivo de modelos tradicionais de séries temporai...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Recursos: | Fundação Getulio Vargas (FGV) |
| Repositorio: | Repositório Institucional do FGV (FGV Repositório Digital) |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.fgv.br:10438/31921 |
| Acesso em linha: | https://hdl.handle.net/10438/31921 |
| Access Level: | acceso abierto |
| Palavra-chave: | Macroeconomics Time series Statistical learning Machine learning Forecasting Previsão Macroeconomia Séries temporais Aprendizado estatístico Aprendizado de máquinas Economia Previsão econômica Análise de séries temporais Aprendizado do computador |
| Resumo: | A área de previsão macroeconômica é um campo de estudo desafiador e ao mesmo tempo extremamente relevante, tanto para a academia quanto para diversos setores do mercado e do governo. Neste trabalho, realizamos uma comparação empírica do desempenho preditivo de modelos tradicionais de séries temporais e métodos de aprendizado estatístico (aprendizado de máquinas) para prever quatro indicadores econômicos mensais dos Estados Unidos usando um grande conjunto de preditores: produção industrial, número de empregados em setores não-agrícolas , inflação e o spread entre a taxa de vencimento constante do tesouro de 10 anos e a taxa de fundos federais (Fed funds). Constatamos que os modelos tradicionais de séries temporais são competitivos em vários cenários, em particular para as séries de produção industrial e número de empregados. Para a medida de spread de taxa de juros e especialmente para a inflação, os métodos de aprendizagem estatística superaram os modelos de séries temporais de forma consistente. Nesses casos, o Random Forest e o LASSO com defasagens não penalizadas da variável alvo merecem maior atenção para a previsão de inflação e spread de juros, respectivamente. Investigamos também o efeito da escolha do método de ajuste de hiperparâmetros para os modelos de regressão penalizados e obtivemos evidências a favor do uso de critérios de informação. Nossos resultados também sugerem que a combinação de previsões de séries temporais e modelos de aprendizado de máquinas tem um desempenho muito bom para a maioria das variáveis e horizontes de previsão analisados. |
|---|