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...

ver descrição completa

Na minha lista:
Autor principal: Oancea, Bogdan
Outros Autores: Simionescu, Mihaela, Pospíšil, Richard
Formato: Capítulo de Livro
Idioma:inglês
Assuntos:
predvídanie
inflácia
učenie strojové
modely autoregresné
prognózy
politika menová
Európska únia
Tags: Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!

MARC

LEADER 00000naa a2200000 4500
001 0315410
005 20260312103348.8
041 0 |a eng 
044 |a CZ 
245 1 0 |a Do Machine Learning Techniques Outperform Autoregressive Distributed Lag Models in Inflation Forecasting?  |c Bogdan Oancea, Mihaela Simionescu, Richard Pospíšil 
520 |a 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. 
610 2 0 |a predvídanie 
610 2 0 |a inflácia 
610 2 0 |a učenie strojové 
610 2 0 |a modely autoregresné 
610 2 0 |a prognózy 
610 2 0 |a politika menová 
610 2 0 |a Európska únia 
100 1 |a Oancea, Bogdan 
700 1 |a Simionescu, Mihaela 
700 1 |a Pospíšil, Richard 

Registos relacionados