A Factor Augmented Vector Autoregressive model and a Stacked De-noising Auto-encoders forecast combination to predict the price of oil

• Autor(a) principal: Parravicini, Giovanni
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: http://hdl.handle.net/10438/26054
• topic: FAVAR; Auto-encoders; Forecast combination; SDAE; WTI; Crude oil; Forecast; Combinação de previsão; Petróleo; Previsão; Economia; Modelos econométricos; Aprendizado do computador; Teoria da informação em economia; Petróleo - Preços

A dissertação a seguir tem como objetivo mostrar os benefícios de uma combinação de previsão entre uma metodo econométrico e um de Deep Learning. De um lado, um Factor Augmented Vector Autoregressive (FAVAR) com identificação naming variables seguindo Stock e Watson (2016); do outro lado, um Stacked De-noising Auto-encoders (SDAE-B), seguido por Zhao, Li e Yu (2017), é implementado. De janeiro de 2010 a Setembro de 2018, 281 séries mensais são usadas para prever o preço do West Texas Intermediate (WTI). O desempenho do modelo é analisado pelo Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) e Directional Accuracy (DA). A combinação se beneficia da alta precisão do SDAE-B e dos recursos de interpretação do FAVAR por meio das Impulse Response Functions (IRFs) e da Forecast Error Variance Decomposition (FEVD).