Do Machine Learning Techniques Outperform Autoregressive Distributed Lag Models in Inflation Forecasting?
Po pandémii Covid-19 čelilo Rumunsko a ďalšie krajiny strednej a východnej Európy (SVE) jednej z najvyšších mier inflácie v Európskej únii, čo vyvolalo naliehavú potrebu presných krátkodobých prognóz pre usmerňovanie menovej politiky. Štúdia porovnáva moderné metódy strojového učenia (ML) – neurónov...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Weitere Verfasser: | , |
| Format: | Buchkapitel |
| Sprache: | Englisch |
| Schlagworte: | |
| Tags: |
Keine Tags, Fügen Sie das erste Tag hinzu!
|
| Zusammenfassung: | Po pandémii Covid-19 čelilo Rumunsko a ďalšie krajiny strednej a východnej Európy (SVE) jednej z najvyšších mier inflácie v Európskej únii, čo vyvolalo naliehavú potrebu presných krátkodobých prognóz pre usmerňovanie menovej politiky. Štúdia porovnáva moderné metódy strojového učenia (ML) – neurónové siete s dlhou krátkodobou pamäťou (LSTM), náhodné lesy (RF) a podpornú vektorovú regresiu (SVR) – s tradičnými autoregresívnymi modelmi s distribuovaným oneskorením (ARDL) pri prognózovaní Harmonizovaného indexu spotrebiteľských cien. S využitím štvrťročných údajov pre Rumunsko (2006Q1 – 2023Q4) a mesačných údajov pre deväť ekonomík SVE (2006M1 – 2025M3) autori do analýzy zahrnuli ukazovatele nezamestnanosti a sentimentu odvodené zo správ Rumunskej centrálnej banky a Indexu ekonomického sentimentu (ESI) Európskej komisie. Zistenia zdôrazňujú, že hoci pokročilé ML modely dokážu zachytiť nelineárnu dynamiku a zmeny režimov, tradičné ekonometrické nástroje stále poskytujú cennú robustnosť, najmä v kontextoch riadených sentimentom. Celkovo integrácia strojového učenia, ekonometrických prístupov a analýzy sentimentu ponúka spoľahlivejší súbor nástrojov na krátkodobé prognózovanie inflácie v podmienkach ekonomickej neistoty. |
|---|