Predikcia inflácie vybranými metódami strojového učenia v krajinách V4

Bc. Nora Číriová

Master's thesis

Predikce inflace vybranými metodami strojového učení v zemích V4

Abstract:

Práce analyzuje přesnost vícekrokové predikce inflace pomocí vybraných metod strojového učení s využitím inflačních faktorů v oblasti zemí Višegradské skupiny. Metody, které byly aplikovány v analýze práce jsou metoda regresních stromů a metoda algoritmů k-nejbližších sousedů. Na základě metody regresních stromů jsme schopni identifikovat faktory, které se nejvýznamněji podíleli na vývoji cenové hladiny. Výstupem analýzy je 8 modelů, jejichž vhodnost a přesnost je diskutována. Výsledky empirické analýzy jsou porovnány s předpoklady, které byly dány před začátkem samotné analýzy. Závěrem je, že metody nejsou vhodné pro vícekrokovou predikci inflace.

Abstract:

The thesis analyzes the accuracy of the multi-step inflation forecast using se-lected methods of machine learning through inflationary factors in the Visegrad group countries. The methods that were applied in the work analysis are the re-gression of tree methods and the algorithm method to the k-nearest neighbors. Based on the regression tree method, we are able to identify factors that are most prominent in price level development. The output of the analysis consists of 8 models, the suitability and accuracy of which are discussed. The results of the em-pirical analysis are compared with the assumptions that were presented before the analysis has begun. This suggests that methods are not suitable for multi-step inflation prediction.

Abstract:

Práca analyzuje presnosť viackrokovej predikcie inflácie pomocou vybraných metód strojového učenia s využitím inflačných faktorov v oblasti krajín Višegrád-skej skupiny. Metódy, ktoré boli aplikované v analýze práce sú metóda regresných stromov a metóda algoritmov k–najbližších susedov. Na základe metódy regres-ných stromov sme schopní identifikovať faktory, ktoré sa najvýznamnejšie po-dieľali na vývoji cenovej hladiny. Výstupom analýzy je 8 modelov, ktorých vhod-nosť a presnosť je diskutovaná. Výsledky Empirickej analýzy sú porovnané s predpokladmi, ktoré boli dané pred začiatkom samotnej analýzy. Záverom je, že metódy nie sú vhodné na viackrokovú predikciu inflácie.

Keywords

Inflace, Višegradská skupina, národní banka, predikce, vícekroková predikce, umělá inteligence, cenová hladina, inflační faktory, harmonizovaný index spotřebitelských cen, měnový vývoj, databáze, data, strojové učení, dolování dat, krosvalidace

Keywords

Inflation, price level, inflation factors, harmonized index of consumer prices, monetary developments, Visegrád group, national bank, database, prediction, multi-step prediction, artificial intelligence, data, machine learning, data mining, crossvalidation

Keywords

harmonizovaný index spotrebiteľských cien, menový vývoj, národná banka, databáza, viackroková predikcia, dáta, strojové učenie, krosvalidácia, cenová hladina, inflačné faktory, Višegrádska skupina, predikcia, umelá inteligencia, dolovanie dát, Inflácia

Language used: Slovak

Date on which the thesis was submitted / produced: 22. 5. 2018

Thesis defence

• Supervisor: doc. Mgr. David Hampel, Ph.D.

Mendel University in Brno

Faculty of Business and Economics

Master programme / field:
Economics and Management / Business Economics and Management