|
|
Time series dynamic factor analysis
Slávik, Ľuboš ; Michálek, Jaroslav (oponent) ; Hübnerová, Zuzana (vedoucí práce)
This thesis studies a novel approach to time series clustering based on a dynamic factor model. Dynamic factor model is a dimension reduction technique enhancing classical factor analysis by a requirement of an autocorrelation structure of the latent factors. Parameters of the model are estimated via EM algorithm employing Kalman filtering and smoothing and necessary restrictions are placed on the model, so the model becomes identifiable. After describing the theoretical concept of the approach, the dynamic factor model is applied to the real observed time series and the work discusses its behaviour and properties on one-month meteorological data of fire weather index at 108 fire stations located in British Columbia. The procedure of the model estimates a loadings matrix of the model with a corresponding small number of latent factors and a variance-covariance matrix of the modeled time series. The thesis applies k-means clustering to the resulted loadings matrix and provides a division of the stations into clusters based on the reduced dimensionality of the original data. With the estimated cluster means and the latent factors, it is possible to obtain particular mean trends for each cluster. Then, the achieved clusters are compared with the results obtained for the same set of stations but within a different month to assess the stability of the clustering. The work discusses the effect of varimax rotation on the loadings matrix as well. Moreover, the thesis suggests a method for detecting possible time series outliers based on the estimated variance-covariance matrix of the model and discusses the effect of outliers on the estimated model.
|
|
|
GDPNow for the Czech Republic
Kutman, Jan ; Havránek, Tomáš (vedoucí práce) ; Kukačka, Jiří (oponent)
Hrubý domácí produkt (HDP) je základním měřítkem stavu ekonomiky a slouží jako klíčový ukazatel pro zákonodárce, investory nebo podniky. Česká Národní Banka (ČNB) ale zveřejňuje oficiální odhad HDP až přibližně 60 dní po konci daného čtvrtletí, přičemž předpověď budoucího růstu HDP zveřejňuje ČNB vždy jen jednou v každém čtvrtletí. Tato diplomová práce se zaměřuje na predikci HDP v současném čtvrtletí, tzv. Nowcasting. Používám několik metod na průběžnou předpověď HDP v České republice a porovnávám jejich výsledky. Zkoumám také možnosti kombinace několika modelů za použití váženého průměrování jejich předpovědí. Výsledky ukazují, že Model Dynamického Faktoru předpovídá růst HDP v České republice nejlépe ze všech použitých modelů a přesnost jeho odhadů je srovnatelná s oficiálními predikcemi ČNB. Kombinace sedmi nejlepších individuálních modelů dosahuje přesnosti predikcí obdobné s nejlepším individuálním modelem a zároveň řeší problém nejistoty při výběru optimálního modelu. Predikce HDP získané modelem dynamického faktoru plánuji zveřejnit na internetové stránce a denně aktualizovat.
|
|
|
Time series dynamic factor analysis
Slávik, Ľuboš ; Michálek, Jaroslav (oponent) ; Hübnerová, Zuzana (vedoucí práce)
This thesis studies a novel approach to time series clustering based on a dynamic factor model. Dynamic factor model is a dimension reduction technique enhancing classical factor analysis by a requirement of an autocorrelation structure of the latent factors. Parameters of the model are estimated via EM algorithm employing Kalman filtering and smoothing and necessary restrictions are placed on the model, so the model becomes identifiable. After describing the theoretical concept of the approach, the dynamic factor model is applied to the real observed time series and the work discusses its behaviour and properties on one-month meteorological data of fire weather index at 108 fire stations located in British Columbia. The procedure of the model estimates a loadings matrix of the model with a corresponding small number of latent factors and a variance-covariance matrix of the modeled time series. The thesis applies k-means clustering to the resulted loadings matrix and provides a division of the stations into clusters based on the reduced dimensionality of the original data. With the estimated cluster means and the latent factors, it is possible to obtain particular mean trends for each cluster. Then, the achieved clusters are compared with the results obtained for the same set of stations but within a different month to assess the stability of the clustering. The work discusses the effect of varimax rotation on the loadings matrix as well. Moreover, the thesis suggests a method for detecting possible time series outliers based on the estimated variance-covariance matrix of the model and discusses the effect of outliers on the estimated model.
|
|
|
Nowcasting Czech GDP in Real Time
Rusnák, Marek
Jeden z hlavních ukazatelů stavu ekonomiky, hrubý domácí produkt, je publikován se značným zpožděním přibližně 70 dnů. V tomto článku proto používáme dynamický faktorový model (DFM) k predikcím současného růstu české ekonomiky v reálném čase (tzv. „nowcasting“). Za použití historických časových řad hodnotíme přesnost předpovědí DFM za období 2005-2012. Výsledky naznačují, že přesnost předpovědí faktorového modelu je porovnatelná s přesností historických krátkodobých predikcí expertů České národní banky. Data o externím prostředí jsou zásadní pro přesnost předpovědí, zatímco vynechání finančních a konjunkturálních indikátorů nezhoršuje přesnost modelu. Nakonec ukazujeme, jak může být faktorový model použít k interpretaci nově publikovaných dat.
Plný text:  PDF
|
host ::
RSS.