A Factor Augmented Vector Autoregressive model and a Stacked De-noising Auto-encoders forecast combination to predict the price of oil

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Parravicini, Giovanni
Orientador(a): Pereira, Pedro L. Valls
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Palavras-chave em Inglês:
WTI
Link de acesso: http://hdl.handle.net/10438/26054
Resumo: A dissertação a seguir tem como objetivo mostrar os benefícios de uma combinação de previsão entre uma metodo econométrico e um de Deep Learning. De um lado, um Factor Augmented Vector Autoregressive (FAVAR) com identificação naming variables seguindo Stock e Watson (2016); do outro lado, um Stacked De-noising Auto-encoders (SDAE-B), seguido por Zhao, Li e Yu (2017), é implementado. De janeiro de 2010 a Setembro de 2018, 281 séries mensais são usadas para prever o preço do West Texas Intermediate (WTI). O desempenho do modelo é analisado pelo Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) e Directional Accuracy (DA). A combinação se beneficia da alta precisão do SDAE-B e dos recursos de interpretação do FAVAR por meio das Impulse Response Functions (IRFs) e da Forecast Error Variance Decomposition (FEVD).