|
|
Nowcasting the Real GDP Growth of the European Economies based on Machine Learning
Baylan, Su Hazal ; Kočenda, Evžen (vedoucí práce) ; Baruník, Jozef (oponent)
This thesis analyzes the nowcasting of quarterly GDP growth for nine European economies using a dynamic factor model and four different machine learning models. These machine learning models are as follows: Ridge, Lasso, Elastic Net, and Random Forest. The data includes ten hard and fifteen soft indicators for each country in order to calculate GDP for each nowcasting iteration for pre-covid and covid periods. For machine learning, models are fed with the extracted factors that are obtained from the dynamic factor model, and for all nowcasting models expanding window approach is selected to estimate nowcasting iterations. The empirical finding indicates that overall machine learning models provide better forecasting accuracy compared to dynamic factor models and benchmark models for more stable periods, such as the period before Covid-19. On the other hand, for more volatile periods where the uncertainties are higher in economies, the dynamic factor model outperforms machine learning models in order to nowcast GDP growth. In addition to this, Random Forest is able to outperform all the alternative models for small economies such as Slovenia and Portugal for stable periods. JEL Classification C01, C33, C53, C83, E37 Keywords Nowcasting, DFM, Ridge, Lasso, Elastic Net, Random Forest Title Nowcasting...
|
|
|
Sparse Representation of Signals
Mesárošová, Michaela ; Arm, Jakub (oponent) ; Jirgl, Miroslav (vedoucí práce)
People who are immobile or lie for long periods are at high risk of developing pressure ulcers and require additional care. Therefore, it is necessary to monitor the condition of such persons as simply and efficiently as possible. In this work, we focus on processing the signals provided by a pressure mattress with a 30x11 sensor grid on which a person lays and the possibilities of its use after conversion into sparse representation coefficients. Redundant dictionaries, also known as frames, enable non-orthogonal representation of signals, which leads to a sparse representation of coefficients. Since this approach provides many advantageous properties and is being used in various applications, such as denoising, segmentation, robust transformations, quantum theory, and others, we verified the possibility of classifying a person’s lying position based on a sparse representation. The results were compared with other traditional classification methods, which were found to be less suitable for the classification problem, with the best-achieved result of 92.41 % for CNN, but with high demands on time, design and complexity. The success rate of the classification reached 92.76 %, with fewer demands on design and implementation complexity. The possibilities of classification and reconstruction of an image containing occlusions were also investigated, where the sparse representation proved to be an effective method to remove these defects.
|
|
|
Forecasting realized volatility using machine learning and mixed-frequency data (the case of the Russian stock market)
Pyrlik, Vladimir ; Elizarov, P. ; Leonova, A.
We assess the performance of selected machine learning algorithms (lasso, random forest, gradient boosting, and long short-term memory) in forecasting the daily realized volatility of returns of selected top stocks in the Russian stock market in comparison with a heterogeneous autoregressive realized volatility benchmark in 2018-2020. We seek to improve the predictive power of the models by including various economic indicators that carry information about future volatility. We find that lasso delivers a good combination of easy implementation and forecast precision. The other algorithms require fine-tuning and frequent re-training, otherwise they are likely to fail to outperform the benchmark often enough. Only the basic lagged log-RV values are significant explanatory variables in terms of the benchmark in-sample quality. Many economic indicators of mixed frequencies improve the predictive power of lasso though, including calendar and overnight effects, financial spillovers from local and global markets, and various macroeconomics indicators.
|
|
|
Výběr modelu na základě penalizované věrohodnosti
Chlubnová, Tereza ; Kulich, Michal (vedoucí práce) ; Maciak, Matúš (oponent)
Často zmiňovaným tématem moderní statistiky je výběr proměnných a odhad regresních koeficientů v datech, kde počet proměnných výrazně převyšuje počet pozorování. V současnosti se na řešení tohoto problému používá penalizace maximální věrohodnosti pomocí vhodně zvolené funkce parametru. Dobrá penalizační funkce by měla ohodnotit přínos proměnné a případně zmenšit či vynulovat příslušný regresní koeficient. Pro svou schop- nost vybrat vhodné regresory a zároveň odhadnout parametry v modelu jsou oblíbené penalizační funkce SCAD a LASSO. Práce přináší přehled dosa- vadních výsledků v oblasti vlastností odhadů získaných pomocí těchto dvou funkcí pro malý počet regresorů i pro mnohorozměrná data v normálním lineárním modelu. Jelikož míru penalizace a tedy i výběr správného modelu silně ovlivňuje ladící parametr, zaměříme se také na jeho volbu. Chování LASSO a SCAD penalizací pro různé hodnoty i způsoby volby ladícího pa- rametru ověříme pro různý počet regresorů na nasimulovaných datech.
|
|
|
Comparison of different models for forecasting of Czech electricity market
Kunc, Vladimír ; Krištoufek, Ladislav (vedoucí práce) ; Kopečná, Vědunka (oponent)
Mnoho rozdílných přístupů jako jsou umělé neuronové sítě nebo SVR bývá použito v literatuře. Tato práce poskytuje srovnání několika rozdílných metod v jednotných podmínkách za použití dat z Českého trhu s elektřinou. Výsledné srovnání více jak 5000 modelů vedlo k vybrání několika nejlepších modelů. Tato práce také vyhodnocuje roli historických meteorologických dat (teplota, rosný bod a vlhkost) - bylo zjištěno, že třebaže použití meteorologických může vést k přeučení, za vhodných podmínek může také vést k přesnějším modelům. Nejlepší testovaný přístup představovala Lasso regrese. 1
|
|
|
Post-selection Inference: Lasso & Group Lasso
Bouř, Vojtěch ; Maciak, Matúš (vedoucí práce) ; Kulich, Michal (oponent)
Lasso patří mezi populární nástroje, které můžeme použít k výběru a od- hadu proměnných. Klasická statistická inference však není pro lasso odhady apli- kovatelná. V této diplomové práci jsou představeny metody lasso a group lasso společně s některými efektivními algoritmy pro její řešení. Hlavní část je věnována tzv. povýběrové inferenci pro lasso odhady, kde je také vysvětleno, proč klasická inference není vhodná. Dále jsou uvedeny a popsány tři povýběrové testy pro lasso a jeden test je navržen i pro group lasso. Vlastnosti testů jsou zkoumány a srovnány v simulacích. Testy jsou rovněž použity na praktickém příkladě. 1
|
|
|
Výběr modelu na základě penalizované věrohodnosti
Chlubnová, Tereza ; Kulich, Michal (vedoucí práce) ; Maciak, Matúš (oponent)
Často zmiňovaným tématem moderní statistiky je výběr proměnných a odhad regresních koeficientů v datech, kde počet proměnných výrazně převyšuje počet pozorování. V současnosti se na řešení tohoto problému používá penalizace maximální věrohodnosti pomocí vhodně zvolené funkce parametru. Dobrá penalizační funkce by měla ohodnotit přínos proměnné a případně zmenšit či vynulovat příslušný regresní koeficient. Pro svou schop- nost vybrat vhodné regresory a zároveň odhadnout parametry v modelu jsou oblíbené penalizační funkce SCAD a LASSO. Práce přináší přehled dosa- vadních výsledků v oblasti vlastností odhadů získaných pomocí těchto dvou funkcí pro malý počet regresorů i pro mnohorozměrná data v normálním lineárním modelu. Jelikož míru penalizace a tedy i výběr správného modelu silně ovlivňuje ladící parametr, zaměříme se také na jeho volbu. Chování LASSO a SCAD penalizací pro různé hodnoty i způsoby volby ladícího pa- rametru ověříme pro různý počet regresorů na nasimulovaných datech.
|
|
|
Metoda Lasso a její aplikace v časových řadách
Holý, Vladimír ; Prášková, Zuzana (vedoucí práce) ; Hendrych, Radek (oponent)
V této práci se nejdříve popíše metoda Lasso a její adaptivní vylepšení. Dále se ukážou základní teoretické vlastnosti a představí se různé algoritmy pro její řešení. Hlavní náplní práce je pak aplikace metody Lasso na časové řady AR, MA a ARCH i na složené modely REGAR, REGMA a REGARCH. Odvodí se algoritmus adaptivní metody Lasso v obecnějším modelu časových řad, do kterého spadají všechny výše zmíněné modely i řady. Vlastnosti metod a algoritmů jsou pak ukázány na simulacích a na praktickém příkladě. Powered by TCPDF (www.tcpdf.org)
|
|
|
Analýza regionálních cen nemovitostí ve Spojených státech pomocí vysokodimenzionálního VAR modelu
Krčál, Adam ; Čížek, Ondřej (vedoucí práce) ; Zouhar, Jan (oponent)
V této diplomové práci jsou prozkoumány závislosti mezi regionálními cenami nemovitostí ve Spojených státech amerických. K tomuto účelu je implementován VAR (Vector Autoregressive) model navržený Fanem a kol. (2011). V tomto konceptu jsou ceny v daných regionech modelovány pomocí zpožděných cen v ostatních regionech. Protože model obsahuje velké množství vysvětlujících proměnných, nelze použít tradiční metody odhadu (např. MNČ). Odhad a zároveň výběr relevantních proměnných je tedy proveden pomocí metody penalizovaných nejmenších čtverců (PLS) s penalizační funkcí LASSO. V teoretické části je představen koncept PLS a jeho varianty, v praktické části je proveden odhad a interpretace VAR modelu a odhad DIF modelu (Stock a Watson (2002)), který je jedním ze zástupců faktorových modelů používaných pro předpovědi. Pro lepší uchopení výsledků odhadu jsou pomocí hierarchického shlukování identifikovány shluky regionů, kde se ceny pohybují podobným způsobem. Výsledné shluky lze velmi dobře interpretovat z geografického hlediska. Protože PLS s penalizační funkcí LASSO pokládá nevýznamné proměnné rovny nule, jsou implementovány i funkce odezvy ke sledování pohybu potenciálního šoku systémem. Nakonec je provedeno srovnání předpovědí z obou modelů a vyhodnocena jejich přesnost.
|
host ::
RSS.