A comparison of the forecasting performance of vector autoregression and neural networks

Benjamin Drucks

doi:10.25365/thesis.61372

Title (eng)

Parallel title (deu)

Ein Vergleich der Prognoseleistung von Vektor-Autoregression und Neuralen Netzen

Author

Benjamin Drucks

Advisor

Robert Kunst

Assessor

Robert Kunst

Abstract (deu)

Ziel der Arbeit ist es unter Verwendung der Zeitreihen von BIP Wachstum, Inflation, Zinssatz und Arbeitslosigkeit für 24 OECD Mitgliedsstaaten die Prognoseleistung von Vektor Autoregression (VAR) und künstlichen Neuralen Netzen (ANN) zu vergleichen. Der Datensatz wird zweigeteilt, in einen Teil zur Schätzung/Training der Modelle und einen Test-Teil um ihre Leistung zu überprüfen. Für jedes Land wird eine VAR und ein ANN berechnet und ausgewählt. Mit Hilfe der geschätzten Modelle wird eine Prognose für den Test-Zeitraum erstellt und die Leistung anhand der Wurzel des mittleren quadratischen Fehlers (RMSE) bewertet. Jenes Modell mit dem durchschnittlich kleineren RMSE hat eine überlegene Prognoseleistung für den vorliegenden Datensatz.

Abstract (eng)

Using quarterly time series data on GDP growth, inflation, interest rate and unemployment from 24 OECD countries, I want to compare the forecasting performance of vector autoregressions (VAR) and artificial neural networks (ANN). The dataset is split into an estimation/training and a testing part and for each country a VAR and an ANN is estimated. The estimated models are then employed to forecast the testing period and their performance is evaluated by calculating the root mean squared errors (RMSE). The model type with the smaller RMSE on average yields a superior forecasting performance for the data set at hand.

Keywords (eng)

forecastinggdpinflationvector autoregressionneural network

Keywords (deu)

PrognoseBIPInflationVektor AutoregressionNeurales Netz

Subject (deu)

Wirtschaftswachstum

Subject (deu)

Methoden und Techniken der Volkswirtschaft

Type (deu)

Masterarbeit

Persistent identifier

https://phaidra.univie.ac.at/o:1363584

DOI

10.25365/thesis.61372

URN

urn:nbn:at:at-ubw:1-14727.03973.699676-2

URI

https://utheses.univie.ac.at/detail/54230

Extent (deu)

42 Seiten : Diagramme

Number of pages

44

Study plan

Masterstudium Volkswirtschaftslehre

[UA]

[066]

[913]

Association (deu)

Fakultät für Wirtschaftswissenschaften

Title (eng)

A comparison of the forecasting performance of vector autoregression and neural networks

Parallel title (deu)

Ein Vergleich der Prognoseleistung von Vektor-Autoregression und Neuralen Netzen

Author

Benjamin Drucks

Abstract (deu)

Ziel der Arbeit ist es unter Verwendung der Zeitreihen von BIP Wachstum, Inflation, Zinssatz und Arbeitslosigkeit für 24 OECD Mitgliedsstaaten die Prognoseleistung von Vektor Autoregression (VAR) und künstlichen Neuralen Netzen (ANN) zu vergleichen. Der Datensatz wird zweigeteilt, in einen Teil zur Schätzung/Training der Modelle und einen Test-Teil um ihre Leistung zu überprüfen. Für jedes Land wird eine VAR und ein ANN berechnet und ausgewählt. Mit Hilfe der geschätzten Modelle wird eine Prognose für den Test-Zeitraum erstellt und die Leistung anhand der Wurzel des mittleren quadratischen Fehlers (RMSE) bewertet. Jenes Modell mit dem durchschnittlich kleineren RMSE hat eine überlegene Prognoseleistung für den vorliegenden Datensatz.

Abstract (eng)

Using quarterly time series data on GDP growth, inflation, interest rate and unemployment from 24 OECD countries, I want to compare the forecasting performance of vector autoregressions (VAR) and artificial neural networks (ANN). The dataset is split into an estimation/training and a testing part and for each country a VAR and an ANN is estimated. The estimated models are then employed to forecast the testing period and their performance is evaluated by calculating the root mean squared errors (RMSE). The model type with the smaller RMSE on average yields a superior forecasting performance for the data set at hand.

Keywords (eng)

forecastinggdpinflationvector autoregressionneural network

Keywords (deu)

PrognoseBIPInflationVektor AutoregressionNeurales Netz

Subject (deu)

Wirtschaftswachstum

Subject (deu)

Methoden und Techniken der Volkswirtschaft

Type (deu)

Masterarbeit

Persistent identifier

https://phaidra.univie.ac.at/o:1363585