التفاصيل البيبلوغرافية
| العنوان: |
Forecasting Inflation: Can Machine Learning Outperfom Econometric Models? |
| المؤلفون: |
Ferreira, Margarida Couceiro Feio de Almeida |
| المساهمون: |
Bravo, Jorge Miguel Ventura, RUN |
| سنة النشر: |
2024 |
| مصطلحات موضوعية: |
Machine Learning, Random Forest, ARIMA, Consumer Price Index, Time Series, Índice de Preços ao Consumidor, Série Temporal, SDG 8 - Decent work and economic growth, Domínio/Área Científica::Ciências Naturais::Ciências da Computação e da Informação |
| الوصف: |
Dissertation presented as the partial requirement for obtaining a Master's degree in Data Science and Advanced Analytics, specialization in Business Analytics |
| Description (Translated): |
This thesis investigates the comparative efficacy of machine learning algorithms versus traditional econometric models in forecasting the Consumer Price Index (CPI) as an indicator of inflation. Accurate inflation prediction is crucial for central banks and policymakers to devise effective monetary policies. To develop efficient monetary policies, central banks and policymakers must be able to accurately anticipate inflation. While traditional econometric models such as ARIMA have been widely utilised for inflation forecasting, the introduction of advanced computational methods and enhanced data availability has opened new avenues for machine learning models to potentially provide superior predictive skills. In this study, both the ARIMA and the random forest models are used to forecast the CPI, with their performance being assessed through standard metrics that include root mean squared error (RMSE) and mean absolute error (MAE). Empirical results indicate that the random forest model significantly outperforms the ARIMA model on short-, medium-, and long-term forecasting horizons. Specifically, the random forest model exhibits lower RMSE and MAE values, which signifies greater predictive accuracy and reliability. These findings suggest that machine learning models have significant potential for improving inflation forecast accuracy providing valuable insights for economic policy formulation.
Esta dissertação investiga a eficácia comparativa de algoritmos de machine learning em relação aos modelos econométricos tradicionais na previsão do Índice de Preços ao Consumidor (IPC) como um indicador de inflação. A previsão precisa da inflação é crucial para os bancos centrais na formulação de políticas monetárias eficazes. Embora os modelos econométricos tradicionais, como o ARIMA, tenham sido amplamente utilizados para previsão de inflação, a introdução de métodos computacionais avançados e a disponibilidade crescente de dados abriram novos caminhos para que os modelos de machine learning possam oferecer capacidades preditivas superiores. Neste estudo, foram escolhidos os modelos ARIMA e random forest para prever o IPC, com seu desempenho avaliado por meio de métricas padrão, incluindo root mean squared error (RMSE) e mean absolute error (MAE). Os resultados empíricos indicam que o modelo random forest supera acentuadamente o modelo ARIMA em horizontes de previsão de curto, médio e longo prazo. Especificamente, o modelo Random Forest gerou valores de RMSE e de MAE mais baixos, significando maior precisão preditiva e fiabilidade. Este estudo sugere que os modelos de machine learning têm um potencial significativo para melhorar a precisão das previsões de inflação, fornecendo informações valiosas para a formulação de políticas económicas. |
| Contents Note: |
TID:203776917 |
| وصف الملف: |
application/pdf |
| اللغة: |
English |
| الاتاحة: |
http://hdl.handle.net/10362/176168 |
| Rights: |
open access |
| رقم الانضمام: |
rcaap.com.unl.run.unl.pt.10362.176168 |
| قاعدة البيانات: |
RCAAP |