The Future of Inflation Forecasting: LSTM Networks vs. Traditional Models for Accurate Predictions – Can LSTM networks be improved to compete with univariate time series models like SARIMA?
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3139100Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
Sammendrag
Målet med denne studien er å undersøke om nevrale nettverk kan bidra til forbedrede prognoser av makroøkonomiske variabler. Mer spesifikt så skal vi undersøke om long short-term memory (LSTM) modellen kan produsere bedre prognoser enn maskinlæring modeller som LASSO, og univariate tidsserie modeller som SARIMA. Vi forsøker å forbedre tidligere arbeid gjort på LSTM ved å bruke forskjellige variabelvalg-tilnærminger og ved å forandre på treningsdataen til modellen. Vi utfører en Root Mean Square Error (RMSE) test på alle modellene, og finner tapet til de respektive modellene med hensyn til inflasjon. Vi sammenligner resultatene til LASSO-LSTM modellen med LSTM med PCA variabelvalg. Vi tester også prestasjonen til LASSO-LSTM når dataforsterkning er anvendt på treningsdataen ved hjelp av Moving Block Bootstrapping (MBB) metoden. LASSO-LSTM er videre tested ved hjelp av ulike datasett bestående av finansielle variabler fra EIKON databasen. Vi finner at prognoser lagd av LASSO-LSTM generelt er bedre enn PCA-LSTM. På tross av sine ferdigheter så underpresterer LSTM ofte sammenlignet med univariate modeller og andre maskinlæringsmetoder. Mer tolkbare modeller som LASSO gir generelt bedre prognoser enn LSTM, og virker mer passende som verktøy for sentralbanker og beslutningstakere. The purpose of this study is to examine if neural networks can contribute to improved forecasts of macroeconomic variables. Specifically, we investigate if the long short-term memory (LSTM) model can produce better forecasts than a range of machine learning models like LASSO, and univariate time series models like SARIMA. We attempt to improve on existing work on LSTM by applying different feature selection approaches and changing the training data of the model. We conduct Root Mean Square Error (RMSE) tests on all models, finding the loss of each model with respect to inflation. We compare the results of our LASSO-LSTM model to LSTM with PCA feature selection. We also test the performance of LASSO-LSTM when data augmentation is applied to training data, using the Moving Block Bootstrapping (MBB) method. LASSO-LSTM is further tested using a different dataset consisting of financial variables from the EIKON database. We find that forecasts of LASSO-LSTM generally perform better than LSTM with PCA feature selection. Despite its strengths LSTM often underperforms univariate models and other machine learning models. More interpret-able models like LASSO generally yield better forecasts than LSTM, and seem more suitable for central bankers and policy makers.