| Abstract : | Σε αυτή την διατριβή παρουσιάζουμε μια έρευνα γύρο από την μακροοικονομική πρόβλεψη, προσπαθώντας να γεφυρώσουμε τους τομείς της κλασικής οικονομετρίας και της μηχανικής μάθησης. Η δομή της χωρίζεται σε τρία διακριτά και αλληλένδετα τμήματα, το καθένα εστιάζοντας σε περίπλοκες πτυχές της μεθοδολογίας.Στο πρώτο τμήμα, η μελέτη αρχίζει με μια εξερεύνηση των δυναμικών οικονομετρικών μοντέλων. Ασχολείται με τα δυναμικά μοντέλα παραγόντων και τις διανυσματικές αυτοπαλινδρομήσεις, προσφέροντας μια λεπτομερή κατανόηση της ικανότητάς τους να αποτυπώνουν τις εξελισσόμενες αλληλεξαρτήσεις στα μακροοικονομικά δεδομένα. Επιπλέον, διερευνά τα μοντέλα πρόβλεψης της μεταβλητότητας και ταυτόχρονα εισέρχεται στον κόσμο των νευρωνικών δικτύων, εξετάζοντας την αποτελεσματικότητά τους στη μοντελοποίηση μη-γραμμικών, δυναμικών και περίπλοκων μοτίβων στα μεγάλα σύνολα οικονομικών δεδομένων.Το δεύτερο τμήμα αναφέρεται στην ανάγκη για την απλότητα και την αποδοτικότητα του μοντέλου. Εξετάζει μεθοδολογίες όπως η ποινικοποιημένη παλινδρόμηση χρονολογικών σειρών, η ανάλυση κύριων συνιστωσών και η στατική ανάλυση παραγόντων, καθώς και τους μέθοδούς υποχώρου, τονίζοντας το ρόλο τους στη άντληση ουσιαστικών πληροφοριών από μεγάλα δεδομένα. Σε αυτό το μέρος επίσης εξετάζονται τεχνικές επιλογής μεταβλητών, αποδεικνύοντας τη σημασία τους στην υπέρβαση των προκλήσεων που παρουσιάζει η "κατάρα των διαστάσεων" στη μακροοικονομική ανάλυση.Το τελευταίο τμήμα κάνει λόγο για τις αβεβαιότητες στην οικονομική πρόβλεψη. Προσφέρει μια περιεκτική αξιολόγηση των στρατηγικών μέσου όρου και συνδυασμού μοντέλων όπως ο συχνοτηκός μέσος όρος, ο μπεϋζιανός μέσος όρος, ο συσσωρευτικός συνδυασμός, ο δασικός αλγόριθμος και οι αλγόριθμοι ενίσχυσης. Επιπλέον, εισέρχεται σε περιοχές της πρόβλεψη πυκνότητας πιθανότητας και της αξιολόγηση των προβλέψεων.Επίσης, σε αυτή την εργασία παρουσιάζουμε μια εμπειρική εφαρμογή που αντιπαραθέτει την αποτελεσματικότητα των προχωρημένων αλγόριθμων μηχανικής μάθησης σε σύγκριση με τα παραδοσιακά οικονομετρικά μοντέλα, παρέχοντας έτσι μια περιεκτική συγκριτική ανάλυση στα πλαίσια της οικονομετρικής πρόβλεψης.
This thesis presents an advanced inquiry into macroeconomic forecasting that bridges the fields of classical econometrics and cutting-edge machine learning. It is structured into three distinct and interrelated sections, each delving into complex aspects of forecasting methodology.In the first section, the study embarks on an exploration of dynamic econometric models. It engages with Dynamic Factor Models and Vector Autoregressions like (BVARs), (FAVARs), Panel VARs and Global VARs, providing a nuanced understanding of their ability to capture the evolving interdependencies in macroeconomic data. Also, it discusses volatility forecasting models and ventures into the realm of Neural networks reviewing their efficacy in modeling non-linear dynamics and intricate patterns in large-scale economic datasets.The second section addresses the critical need for model simplicity and efficiency in forecasting. It rigorously examines methodologies like Penalized Time Series Regression, Principal Component and Static Factor Analysis, and Subspace Methods, emphasizing their role in distilling essential information from high-dimensional economic data. This part of the thesis also scrutinizes Variable Selection and Feature Screening techniques, proving their importance in overcoming the challenges posed by the “curse of dimensionality” in macroeconomic analysis.The final section confronts the inherent uncertainties in economic forecasting head-on. It offers a comprehensive evaluation of model averaging and combination strategies, such as Frequentist Averaging, Bayesian Model Averaging, Bootstrap Aggregating (Bagging), Random Forest, and Boosting algorithms. Moreover, this section delves into advanced concepts like Density Forecasting and Forecast Evaluation, underscoring the important role of probabilistic approaches and robust validation methods in improving the reliability and credibility of economic forecasts.In this work, we also present an empirical application that contrasts the efficacy of advanced machine learning algorithms with traditional econometric models, thereby providing a comprehensive comparative analysis within the context of econometric forecasting.This thesis stands as a testament to the synergistic potential of econometrics and machine learning in macroeconomic forecasting. It offers a detailed critique and comparison of various models and methodologies, underlining their applicability and effectiveness in the context of modern economic analysis.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.