Dynamické priemerovanie modelov a predikčné modely makroekonomickej dynamiky

Bc. Richard Makara

Diplomová práce

Dynamic model averaging and predictive models of macroeconomic dynamics

Abstract:

The main objective of the thesis is to analyse inflation forecasts through dynamic or simple averaging over different countries and horizons. The study also investigated the effect of widening and sliding windows on the predictions. Among the methods of the predictions themselves, regularization techniques were found to be the most accurate. XGboost and Random Forest seemed to be the least accurate. Averaging the predictions in some cases was able to refine the inflation predictions against the individual prediction methods. The key innovation was Dynamic Model Averaging, which was able to minimize prediction errors.

Abstract:

Hlavným cieľom práce je analýza predikcií inflácie prostredníctvom dynamického, či jednoduchého priemerovania v rôznych krajinách a horizontoch. V štúdii sa skúmal aj vplyv rozširujúceho a posuvného okna na predikcie. Spomedzi metód samotných predikcií sa ako najpresnejšie javili regularizačné techniky. Najmenej presné sa zdali byť XGboost a Random Forest. Priemerovanie predikcií v niektorých prípadoch dokázalo oproti jednotlivým predikčným metódam spresniť predikcie inflácie. Kľúčová inovácia spočíva v Dynamickom priemerovaní modelov, ktoré bolo schopné minimalizovať chyby predikcie.

Klíčová slova

ARIMA, Lasso, Ridge, Elastic Net, OLS, predikcia, Dynamické priemerovanie modelov, odmocnina zo strednej kvadratickej chyby, stredná absolútna chyba predikcie

Jazyk práce: slovenština

Datum vytvoření / odevzdání či podání práce: 10. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 21. 6. 2024
• Vedoucí: doc. Ing. Daniel Němec, Ph.D.
• Oponent: Ing. Martin Kutlak

Masarykova univerzita

Ekonomicko-správní fakulta

Magisterský studijní program / obor:
Matematické a statistické metody v ekonomii / Matematické a statistické metody v ekonomii