Essays on macroeconomic and commodity price forecasting

Resumo

Esta tese consiste em três artigos independentes em macroeconometria. No primeiro artigo, buscamos estudar a previsibilidade dos retornos de um amplo conjunto de 17 commodities que podem ser classificadas em 5 diferentes categorias, usando técnicas de combinação de previsões e modelos de aprendizado de máquina (machine learning). Já no segundo artigo, propomos investigar a performance de um amplo técnicas de aprendizado de máquina machine learning e modelos tradicionais na literatura de previsão do preço do petróleo. Na era das grandes bases de dados, novas ferramentas automatizadas podem potencialmente melhorar a precisão da previsão do preço do petróleo em relação às abordagens tradicionais. Além disso, contribuímos para a literatura de previsão do preço do petróleo ao construir previsões da função de densidade condicional a partir das técnicas de machine learning. Finalmente, no terceiro artigo realizamos o nowcast da inflação americana, medido pelo Consumer Price Index All Items. Nesse artigo, construímos um framework econométrico de duas etapas que combina a interpolação de variáveis mensais via filtro de Kalman e técnicas de aprendizado de máquina para construir as previsões de curto prazo.

Ficha do documento

Tipo

Tese

Ano

2022

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/32351

Temas

EconomiaDados

Palavras-chave

Aprendizado de máquinaCombinação de previsõesInflaçãoPreços de commodityPrevisãoFiltro de KalmanModelo de fatoresNowcastingMachine learningForecast combinationInflationForecastingCommodity pricesKalman filterFactor modelsEconomiaAprendizado do ComputadorCombinações (Matematica) - PrevisõesBolsa de mercadoriasKalman, Filtragem de