A Factor Augmented Vector Autoregressive model and a Stacked De-noising Auto-encoders forecast combination to predict the price of oil
Parravicini, Giovanni
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
The following dissertation aims to show the benefits of a forecast combination between an econometric and a deep learning approach. On one side, a Factor Augmented Vector Autoregressive Model (FAVAR) with naming variables identification following Stock and Watson (2016) 1 ; on the other side, a Stacked De-noising Auto-Encoder with Bagging (SDAEB) following Zhao, Li and Yu (2017) 2 are implemented. From January 2010 to September 2018 Two-hundred-eighty-one monthly series are used to predict the price of the West Texas Intermediate (WTI). The model performance is analysed by Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) and Directional Accuracy (DA). The combination benefits from both SDAE-B’s high accuracy and FAVAR’s interpretation features through impulse response functions (IRFs) and forecast error variance decomposition (FEVD).
Ficha do documento
- Tipo
- Dissertação
- Ano
- 2019
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Inglês
- Acesso
- Acesso aberto
- Identificador
- oai:repositorio.fgv.br:10438/26054
- Temas
- Economia
Conteúdos relacionados
- DissertaçãoPrevisão de carga elétrica no BrasilFundação Getulio Vargas · 2023
- DissertaçãoAplicação de métodos de machine learning e deep learning na previsão dos preços do petróleo BrentFundação Getulio Vargas · 2025
- DissertaçãoPrevisão da produção industrial do Amazonas e do estado de São Paulo através de sua produção industrial agregada ou desagregada, ou a combinação delasFundação Getulio Vargas · 2024
- DissertaçãoAvaliação de medidas de suavização intertemporal do impacto da volatilidade do preço do petróleo com base na predição do seu valor esperadoFundação Getulio Vargas · 2023
