Enhancing Forecasting Accuracy and Understanding Economic Relationships by Integrating Machine Learning and Econometrics

Bc. Yelyzaveta Shebalkova

Master's thesis

Abstract:

Tato práce má za cíl reagovat na změněné prostředí finanční prognózy a spojit klasickou ekonometrii s moderními přístupy strojového učení, zejména modely RandomForestRegressor (RF) a Autoregressive Integrated Moving Average (ARIMA). Hlavním cílem je zlepšit přesnost předpovědí očekávaných cen akcií Amazonu a zároveň získat další poznatky o ekonomické dynamice. Studie začíná důkladnou přípravou dat, aby zajistila přesnost historického datasetu cen akcií Amazonu. Dataset je rafinován pomocí pokročilých technik inženýrství vlastností, aby odhalil relevantní prediktory potřebné pro další modelování. Jakmile jsou trénovány jednotlivé modely - ARIMA, který exceluje v analýze časových řad, a RandomForestRegressor, který exceluje v zachycování složitých vztahů - vytváří se systematický rámec. Pro maximalizaci účinnosti předpovědí jsou tyto modely pečlivě optimalizovány a laděny. Fáze integrace využívá souborových přístupů, které kombinují predikce z ARIMA a RandomForestRegressor k vytvoření sjednoceného modelu s vylepšenou předpovědní přesností. Zjištění zdůrazňují nejen empirické zvýšení přesnosti předpovědí, ale také teoretické pokroky umožněné touto integrací. Integrovaný model poskytuje použitelná data pro finanční zainteresované strany, vybavuje investory, analytiky a tvůrce politik mocnými nástroji pro rozhodování. Navíc tato integrace odhaluje složité ekonomické vazby, což umožňuje lepší porozumění dynamice trhu. Uznávajíc složitosti inherentní v finančních trzích a jedinečnost datasetu, tato studie zahrnuje jak získané pokroky, tak nalezená omezení. Při demonstrování významného zlepšení uznává vnitřní problémy modelování dynamických finančních systémů. Závěrem tato práce představuje důležitý příspěvek k rostoucímu prostředí finanční prognózy spojením modelů RF a ARIMA. Synergetické spojení nejen zvyšuje kapacity předpovědí, ale také stimuluje hlubší poznatky, což naznačuje transformační potenciál pro praxi finanční analýzy.

Abstract:

In response to the changing environment of financial forecasting, this thesis aims to combine classical econometrics with modern machine learning approaches, notably the RandomForestRegressor (RF) and Autoregressive Integrated Moving Average (ARIMA) models. The major goal is to improve the prediction accuracy of anticipating Amazon stock prices while also learning more about economic dynamics. The study begins with thorough data preparation to ensure the accuracy of the historical dataset of Amazon stock prices. The dataset is refined using advanced feature engineering techniques to uncover relevant predictors required for further modeling. As individual models—ARIMA, which excels in time series analysis, and RandomForestRegressor, which excels at capturing complicated relationships—are trained, a systematic framework emerges. To maximize prediction efficacy, these models are meticulously optimized and tuned. The integration phase employs ensemble approaches, combining predictions from ARIMA and RandomForestRegressor to produce a unified model with improved predictive accuracy. The findings highlight not just empirical increases in predicting accuracy, but also theoretical advances made possible by this integration. The integrated model provides actionable data for financial stakeholders, arming investors, analysts, and policymakers with powerful decision-making tools. Furthermore, this integration reveals complex economic linkages, allowing for a better understanding of market dynamics. Recognizing the intricacies inherent in financial markets as well as the uniqueness of the dataset, this study encompasses both the advances gained and the constraints found. While demonstrating significant improvement, it acknowledges the inherent problems in modeling dynamic financial systems. In conclusion, by combining the RF and ARIMA models, this thesis makes an important addition to the growing landscape of financial forecasting. The synergistic combination not only improves prediction capacities but also stimulates deeper insights, indicating the transformational potential for financial analysis practice.

Keywords

Předpovědní přesnost, Finanční prognóza, Integrace strojového učení, Ekonometrie, RandomForestRegressor (RF), Autoregressivní integrovaný pohyblivý průměr (ARIMA), Přediktivní modelování, Analýza časových řad, Souborové modelování, Předpověď na akciovém trhu, Predictive Accuracy, Financial Forecasting, Machine Learning Integration, Econometrics, Autoregressive Integrated Moving Average (ARIMA), Predictive Modelling, Time Series Analysis, Ensemble Modelling, Stock Market Prediction

Language used: English

Date on which the thesis was submitted / produced: 6. 5. 2024

Thesis defence

• Date of defence: 27. 6. 2024
• Supervisor: prof. Ing. Marek Vochozka, MBA
• Reader: Ing. Ján Oros

Institute of Technology and Business in České Budějovice

Master programme / field:
Business Economy / Business Administration