Key features for improving macroeconomic forecasting : evidence from Brazil
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/272999 |
Resumo: | Este artigo tem como objetivo comparar vários modelos diferentes em diferentes cenários, a fim de compreender quais características do aprendizado de máquina são úteis para previsões macroeconômicas. Este estudo consiste em comparar o desempenho de modelos lineares e não lineares em ambientes pobres e ricos em dados para diferentes janelas e horizontes para previsão de diferentes variáveis macroeconômicas brasileiras. Para isso, prevemos três variáveis macroeconômicas que são indicadores da economia brasileira: a taxa de desemprego aberta da Região Metropolitana de São Paulo, a taxa de inflação brasileira, usando o índice IPCA, e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil usando 34 modelos lineares e não lineares que diferem nos hiper parâmetros, nas regularizações e na função de perda utilizada. Fazemos as previsões considerando observações de 139 variáveis durante quase 23 anos. As principais conclusões mostram que os melhores modelos são aqueles com penalidade de lasso e elastic-net e o ambiente rico em dados (data-rich) é o melhor, especialmente quando se consideram métodos de shrinkage usando o estimador do elastic-net. |
id |
UFRGS-2_4c250dde5861100f04ddbecd9f9a7b96 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/272999 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Oreda, Nathalia schollesTorrent, Hudson da Silva2024-03-07T05:02:02Z2024http://hdl.handle.net/10183/272999001197934Este artigo tem como objetivo comparar vários modelos diferentes em diferentes cenários, a fim de compreender quais características do aprendizado de máquina são úteis para previsões macroeconômicas. Este estudo consiste em comparar o desempenho de modelos lineares e não lineares em ambientes pobres e ricos em dados para diferentes janelas e horizontes para previsão de diferentes variáveis macroeconômicas brasileiras. Para isso, prevemos três variáveis macroeconômicas que são indicadores da economia brasileira: a taxa de desemprego aberta da Região Metropolitana de São Paulo, a taxa de inflação brasileira, usando o índice IPCA, e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil usando 34 modelos lineares e não lineares que diferem nos hiper parâmetros, nas regularizações e na função de perda utilizada. Fazemos as previsões considerando observações de 139 variáveis durante quase 23 anos. As principais conclusões mostram que os melhores modelos são aqueles com penalidade de lasso e elastic-net e o ambiente rico em dados (data-rich) é o melhor, especialmente quando se consideram métodos de shrinkage usando o estimador do elastic-net.This study aims to compare the performance of linear and nonlinear models in data-poor and data-rich environments with different regularization and loss functions to understand which characteristics of machine learning are useful for macroeconomic forecasting when using Brazilian macroeconomic variables. For that, we predict three macroeconomic variables that are indicators of the Brazilian economy: the open unemployment rate of the Metropolitan Region of São Paulo, the Brazilian inflation rate using the IPCA index, and the spread with the indicator Emerging Markets Bond Index Plus (EMBI+) for Brazil using 34 linear and nonlinear models that differ in the hyperparameters, the regularizations and the loss function used. We make the predictions considering observations of 139 variables for almost 23 years. The main conclusions show that the best models are the ones with lasso and Elastic Net penalties, and that the data-rich is the best environment, especially when considering shrinkage methods using the elastic-net estimator.application/pdfengMacroeconomiaModelos linearesData-richMachine learningForecastingMacroeconomic time seriesKey features for improving macroeconomic forecasting : evidence from Brazilinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulFaculdade de Ciências EconômicasPorto Alegre, BR-RS2023/2Ciências Econômicasgraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001197934.pdf.txt001197934.pdf.txtExtracted Texttext/plain92236http://www.lume.ufrgs.br/bitstream/10183/272999/2/001197934.pdf.txte5dc91e275506b1c2c030e4950dd4a90MD52ORIGINAL001197934.pdfTexto completo (inglês)application/pdf507237http://www.lume.ufrgs.br/bitstream/10183/272999/1/001197934.pdf67d626b07fdbf1e3c6fd50f1a36e2684MD5110183/2729992024-03-23 05:00:23.399oai:www.lume.ufrgs.br:10183/272999Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2024-03-23T08:00:23Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Key features for improving macroeconomic forecasting : evidence from Brazil |
title |
Key features for improving macroeconomic forecasting : evidence from Brazil |
spellingShingle |
Key features for improving macroeconomic forecasting : evidence from Brazil Oreda, Nathalia scholles Macroeconomia Modelos lineares Data-rich Machine learning Forecasting Macroeconomic time series |
title_short |
Key features for improving macroeconomic forecasting : evidence from Brazil |
title_full |
Key features for improving macroeconomic forecasting : evidence from Brazil |
title_fullStr |
Key features for improving macroeconomic forecasting : evidence from Brazil |
title_full_unstemmed |
Key features for improving macroeconomic forecasting : evidence from Brazil |
title_sort |
Key features for improving macroeconomic forecasting : evidence from Brazil |
author |
Oreda, Nathalia scholles |
author_facet |
Oreda, Nathalia scholles |
author_role |
author |
dc.contributor.author.fl_str_mv |
Oreda, Nathalia scholles |
dc.contributor.advisor1.fl_str_mv |
Torrent, Hudson da Silva |
contributor_str_mv |
Torrent, Hudson da Silva |
dc.subject.por.fl_str_mv |
Macroeconomia Modelos lineares |
topic |
Macroeconomia Modelos lineares Data-rich Machine learning Forecasting Macroeconomic time series |
dc.subject.eng.fl_str_mv |
Data-rich Machine learning Forecasting Macroeconomic time series |
description |
Este artigo tem como objetivo comparar vários modelos diferentes em diferentes cenários, a fim de compreender quais características do aprendizado de máquina são úteis para previsões macroeconômicas. Este estudo consiste em comparar o desempenho de modelos lineares e não lineares em ambientes pobres e ricos em dados para diferentes janelas e horizontes para previsão de diferentes variáveis macroeconômicas brasileiras. Para isso, prevemos três variáveis macroeconômicas que são indicadores da economia brasileira: a taxa de desemprego aberta da Região Metropolitana de São Paulo, a taxa de inflação brasileira, usando o índice IPCA, e o spread com o indicador Emerging Markets Bond Index Plus (EMBI+) para o Brasil usando 34 modelos lineares e não lineares que diferem nos hiper parâmetros, nas regularizações e na função de perda utilizada. Fazemos as previsões considerando observações de 139 variáveis durante quase 23 anos. As principais conclusões mostram que os melhores modelos são aqueles com penalidade de lasso e elastic-net e o ambiente rico em dados (data-rich) é o melhor, especialmente quando se consideram métodos de shrinkage usando o estimador do elastic-net. |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-03-07T05:02:02Z |
dc.date.issued.fl_str_mv |
2024 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/272999 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001197934 |
url |
http://hdl.handle.net/10183/272999 |
identifier_str_mv |
001197934 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/272999/2/001197934.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/272999/1/001197934.pdf |
bitstream.checksum.fl_str_mv |
e5dc91e275506b1c2c030e4950dd4a90 67d626b07fdbf1e3c6fd50f1a36e2684 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224677559894016 |