AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Predictive signals of U.S. recessions

Alternative Title :	Προβλεπτικοί παράγοντες οικονομικών υφέσεων στις ΗΠΑ

Creator :	Πριόβολος, Γεώργιος Priovolos, Georgios

Contributor :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Livada, Alexandra (Εξεταστής) Psarakis, Stelios (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Type :	Text

Extent :	73p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10257

Abstract :	Οι σύγχρονες προσεγγίσεις στην πρόβλεψη οικονομικών κρίσεων κλίνουν προς την υιοθέτηση τεχνικών μηχανικής μάθησης. Οι παραπάνω μέθοδοι δυνητικά καταγράφουν καλύτερες επιδόσεις εκτός δείγματος, ενώ λόγω της φύσης τους δύνανται να επιλέγουν νέους προβλεπτικούς παράγοντες (predictor) με αυτοματοποιημένο τρόπο. Στην παρούσα εργασία, ο δείκτης ύφεσης όπως δίνεται από το Εθνικό Γραφείο Οικονομικών Ερευνών (NBER) των ΗΠΑ τίθεται ως η εξαρτημένη μεταβλητή. Το χρησιμοποιούμενο δείγμα εκτείνεται από τον Ιανουάριο του 1979 εώς τον Ιούνιο του 2019. Εφαρμόζονται: γενικευμένα γραμμικά υποδείγματα, λογιστική παλινδρόμηση lasso, elastic net και ridge, αλγόριθμοι AdaBoost και k-Nearest Neighbours. Τα υποδείγματα εξετάζονται σε πλαίσιο μονοετούς και μηνιαίου προβλεπτικού ορίζοντα. Εισάγεται ένα περιοδικό σχήμα εκτίμησης των υποδειγμάτων το οποίο συρρικνώνει τη διαδικασία σε μία εκτίμηση ανά έτος. Τα αποτελέσματα εκτός δείγματος που καταγράφονται από το περιοδικό σχήμα εκτίμησης υποδηλώνουν πως η διάρκεια της ισχύος των προβλεπτικών παραγόντων εκτείνεται περίπου πέραν του ενός έτους. Modern approaches to the problem of recession forecasting have their focus tilted towards the utilisation of machine learning techniques. The motivation stems from potentially better out-of-sample performance, as well as discovery of relatively neglected covariates that have predictive merit. In this thesis, the National Bureau of Economic Research (NBER) U.S. binary recession indicator is the predictive focus. Given a dataset that spans from January, 1979 to June, 2019 benchmark single logit/probit specifications, penalised multiple logit specifications, AdaBoost and k-Nearest Neighbours algorithms are employed. Both a 12-months-ahead and a 1-month-ahead setup are estimated. The introduction of a periodic model fitting scheme shrinks the forecasting procedure down to just one estimation per year. The competent out-of-sample results of the introduced scheme suggest that the duration of the predictor signals as extracted by the majority of the employed methods is at least approximately annual for the 12-months-ahead forecast horizon.

Abstract :

Οι σύγχρονες προσεγγίσεις στην πρόβλεψη οικονομικών κρίσεων κλίνουν προς την υιοθέτηση τεχνικών μηχανικής μάθησης. Οι παραπάνω μέθοδοι δυνητικά καταγράφουν καλύτερες επιδόσεις εκτός δείγματος, ενώ λόγω της φύσης τους δύνανται να επιλέγουν νέους προβλεπτικούς παράγοντες (predictor) με αυτοματοποιημένο τρόπο. Στην παρούσα εργασία, ο δείκτης ύφεσης όπως δίνεται από το Εθνικό Γραφείο Οικονομικών Ερευνών (NBER) των ΗΠΑ τίθεται ως η εξαρτημένη μεταβλητή. Το χρησιμοποιούμενο δείγμα εκτείνεται από τον Ιανουάριο του 1979 εώς τον Ιούνιο του 2019. Εφαρμόζονται: γενικευμένα γραμμικά υποδείγματα, λογιστική παλινδρόμηση lasso, elastic net και ridge, αλγόριθμοι AdaBoost και k-Nearest Neighbours. Τα υποδείγματα εξετάζονται σε πλαίσιο μονοετούς και μηνιαίου προβλεπτικού ορίζοντα. Εισάγεται ένα περιοδικό σχήμα εκτίμησης των υποδειγμάτων το οποίο συρρικνώνει τη διαδικασία σε μία εκτίμηση ανά έτος. Τα αποτελέσματα εκτός δείγματος που καταγράφονται από το περιοδικό σχήμα εκτίμησης υποδηλώνουν πως η διάρκεια της ισχύος των προβλεπτικών παραγόντων εκτείνεται περίπου πέραν του ενός έτους.
Modern approaches to the problem of recession forecasting have their focus tilted towards the utilisation of machine learning techniques. The motivation stems from potentially better out-of-sample performance, as well as discovery of relatively neglected covariates that have predictive merit. In this thesis, the National Bureau of Economic Research (NBER) U.S. binary recession indicator is the predictive focus. Given a dataset that spans from January, 1979 to June, 2019 benchmark single logit/probit specifications, penalised multiple logit specifications, AdaBoost and k-Nearest Neighbours algorithms are employed. Both a 12-months-ahead and a 1-month-ahead setup are estimated. The introduction of a periodic model fitting scheme shrinks the forecasting procedure down to just one estimation per year. The competent out-of-sample results of the introduced scheme suggest that the duration of the predictor signals as extracted by the majority of the employed methods is at least approximately annual for the 12-months-ahead forecast horizon.

Subject :	Πρόβλεψη Εκτός δείγματος Οικονομική ύφεση Αυτοματοποιημένη επιλογή συμμεταβλητών Λογιστική παλινδρόμηση με συντελεστή επιβάρυνσης Forecast Out of sample Recession Automatic variable selection Penalized logistic regression

Date Available :	2023-03-26 16:53:43

Date Issued :	28-02-2023

Date Submitted :	2023-03-26 16:53:43

Access Rights :	Free access

Licence :

File: Priovolos_2023.pdf

Type: application/pdf

Login