Essays on macroeconomic and commodity price forecasting

• Ano de defesa: 2022
• Autor(a) principal: Lin, Yihao
• Orientador(a): Issler, João Victor
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Aprendizado de máquina; Combinação de previsões; Inflação; Preços de commodity; Previsão; Filtro de Kalman; Modelo de fatores
• Palavras-chave em Inglês: Nowcasting; Machine learning; Forecast combination; Inflation; Forecasting; Commodity prices; Kalman filter; Factor models
• Link de acesso: https://hdl.handle.net/10438/32351

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.