|
|
Nowcasting as the new potential predicting method for the policy-makers
Chaloupka, David ; Kofroň, Jan (vedoucí práce) ; Parízek, Michal (oponent)
Tato bakalářská práce zkoumá roli nowcastingu jako metodě pro předpovídání v reálném čase pro tvorbu politiky. Studie porovnává informační hodnotu makroekonomického forecastingu během let 2019 až 2022 a potenciál now- castingu jako alternativy. Analýzou vybraných forecastingových a nowcastin- gových indexů bylo zjištěno, že nowcasting v roce 2020, který byl ovlivněn pan- demií COVID-19, vykazuje skvělou úspěšnost. Avšak čelí omezením z hlediska časového horizontu předpovědí a požadavků na vysokofrekvenční data. Ačkoliv během krizí forecasting může ztratit svou informační hodnotu, nowcasting jej nemůže zcela nahradit v dlouhodobé předpovědi. Místo toho se oba přístupy mohou doplňovat a na jejich základě zlepšovat politická rozhodnutí.
|
|
|
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...
|
|
| |
|
|
Forecasting and nowcasting power of confidence indikators:Evidence for Central Europe
Herrmannová, Lenka ; Horváth, Roman (vedoucí práce) ; Mikolášek, Jakub (oponent)
Tato diplomová práce se zabývá schopností indikátorů důvěry krátkodobě předpovídat ekonomickou situaci v České republice a třech dalších zemích střední Evropy. Dvěma odlišnými empirickými přístupy zkoumáme predikční schopnosti podnikatelského i spotřebitelského indikátoru důvěry v ČR. Nejprve pomocí logistické regrese predikujeme pravděpodobnost ekonomické recese a následně za použití vektorové autoregrese odhadujeme přesné hodnoty reálného růstu hrubého domácího produktu. Výsledky získané z pravděpodobnostních modelů ekonomické recese v České republice potvrzují schopnost indikátorů důvěry odhadnout současnou ekonomickou situaci i předjímat recesi jedno čtvrtletí dopředu. Výsledky modelů predikujících přesné hodnoty HDP jsou víceznačné. Nicméně index spotřebitelské důvěry signifikantně zpřesnil předpovědi základního modelu se standardními makroekonomickými proměnnými, a proto můžeme potvrdit jeho predikční schopnosti. Srovnání predikčních schopností indikátorů důvěry napříč zeměmi potvrdilo schopnost predikovat současnou ekonomickou situaci v Maďarsku a Polsku a nepotvrdilo tuto schopnost u slovenských indikátorů důvěry. Předpovědi jedno čtvrtletí dopředu přinesly smíšené výsledky, a proto závěrem tohoto srovnání je potvrzení specifičnosti predikčních schopností těchto indikátorů pro jednotlivé země....
|
|
|
Velmi krátkodobá předpověď srážek pro teplou polovinu roku
Mejsnar, Jan ; Sokol, Zbyněk (vedoucí práce) ; Jaňour, Zbyněk (oponent) ; Žák, Michal (oponent)
Současné systémy velmi krátkodobé předpovědi srážek primárně využívají extrapolaci pozorované radarové odrazivosti. Využil jsem extrapolaci a studoval limity předpovědí s využitím konceptu dekorelačního času (DCT). Použil jsem údaje z dvou radarů pokrývajících území České republiky z teplých částí čtyř let a spočítal DCT v závislosti na vybraných podmínkách popisujících stav atmosféry. Zjistil jsem, že průměrné DCT pro extrapolaci je 45,4 minut. Průměrné zvýšení DCT v porovnání s persistentní předpovědí je 13,4 minut. Nicméně v závislosti na meteorologických podmínkách může DCT vzrůst nebo klesnout o více než 40%. Také jsem zkoumal vývoj DCT během dvou vybraných konvektivních událostí. Zjistil jsem, že DCT se může výrazně měnit v čase, což je důsledek změny charakteru atmosféry během konvektivní události.
|
|
|
Využití extrapolace radarového echa pro kvantitativní předpověď srážek
Frolík, Petr ; Novák, Petr (vedoucí práce) ; Žák, Michal (oponent)
Název práce: Využití extrapolace radarového echa pro kvantitativní předpověď srážek Autor: Petr Frolík Katedra (ústav): Katedra meteorologie a ochrany prostředí Vedoucí diplomové práce: RNDr. Petr Novák, PhD., ČHMÚ e-mail vedoucího: petr_novak@chmi.cz Abstrakt: Radiolokační měření jsou v současné době pro meteorologické služby nepostradatelná. Stále častěji se tato data využívají pro kvantitativní předpověď srážek a nebezpečných jevů spojených s konvekcí na velmi krátkou dobu (tzv. nowcasting). Krátkodobá předpověd srážek nalézá své uplatnění mimo jiné v hydrologických aplikacích, kde umožňuje poskytnout včasnou výstrahu před lokálními záplavami i upřesňovat předpověď velkoprostorových srážek.Tato práce se zabývá ověřením využitelnosti nowcastingové metody COTREC založené na extrapolaci radarového echa pro kvantitativní předpověď srážek. Na testovaném období 1.4.-30.9.2006 byla hodnocena kvalita předpovědi metodou COTREC až na 3 hodiny dopředu. Dále bylo provedeno srovnání s výsledky numerického předpovědního modelu Aladin. Důraz byl kladen na ověření využitelnosti výsledků metody COTREC pro hydrologické účely. Pro ověření se proto použily hodinové srážkové úhrny vztažené na jednotlivá povodí. Předpovězené srážkové úhrny pak byly porovnávány s optimálním operačně dostupným odhadem srážek, což je kombinace...
|
|
| |
|
|
Forecasting oil prices volatility with Google searches
Tolstoguzova, Ekaterina ; Krištoufek, Ladislav (vedoucí práce) ; Zafeiris, Dimitrios (oponent)
Kombinácia zrýchlujucej sa dynamiky obchodovania na trhu s ropou a rapídneho rozvoja technológií umožňuje jednoduchý prenos externých informačných šokov cez internet. V tejto práci skúmame vzájomné vzťahy medzi troma referenčnými cenami ropy, CBOE Cruide oil indexom volatility a Google vyhľadávaniami. Za účelom testovania Grangerovej kauzality a uskutučnenia impulse-response analýzy sme vytvorili VAR model. Výsledky ukazujú jednostranné aj obojstranný pričinný vzťah medzi cenami ropy, OVX a Google vyhľadávaniami. Out-of sample predpovede a Diebold-Marianov test nám ukázali je možné využiť Google trends na zlepšenie krátkodobej predikciu v prípade modelu s WTI cenami a indexom volatility.
|
|
|
Velmi krátkodobá předpověď srážek pro teplou polovinu roku
Mejsnar, Jan ; Sokol, Zbyněk (vedoucí práce) ; Jaňour, Zbyněk (oponent) ; Žák, Michal (oponent)
Současné systémy velmi krátkodobé předpovědi srážek primárně využívají extrapolaci pozorované radarové odrazivosti. Využil jsem extrapolaci a studoval limity předpovědí s využitím konceptu dekorelačního času (DCT). Použil jsem údaje z dvou radarů pokrývajících území České republiky z teplých částí čtyř let a spočítal DCT v závislosti na vybraných podmínkách popisujících stav atmosféry. Zjistil jsem, že průměrné DCT pro extrapolaci je 45,4 minut. Průměrné zvýšení DCT v porovnání s persistentní předpovědí je 13,4 minut. Nicméně v závislosti na meteorologických podmínkách může DCT vzrůst nebo klesnout o více než 40%. Také jsem zkoumal vývoj DCT během dvou vybraných konvektivních událostí. Zjistil jsem, že DCT se může výrazně měnit v čase, což je důsledek změny charakteru atmosféry během konvektivní události.
|
|
| |
host ::
RSS.