Forecasting Economic Activity Using a Neural Network in Uncertain Times: Monte Carlo Evidence and Application to the German GDP
(gemeinsam mit Boris Kozyrev), IWH Discussion Paper 6/2024
Zusammenfassung: In dieser Studie haben wir die Vorhersage- und Nowcasting-Eigenschaften eines neuronalen Regressionsnetzwerks (GRNN) analysiert. Wir berichten Ergebnisse aus Monte-Carlo-Simulationen für die relative Prognosegenauigkeit von GRNN in Abhängigkeit vom datengenerierenden Prozess. Wir zeigen, dass die Prognosegüte von GRNN diejenige eines autoregressiven Referenzmodells in vielen praktisch relevanten Fällen übertrifft. Wir wenden GRNN zur Prognose des vierteljährlichen deutschen BIP-Wachstums an, indem wir das univariate GRNN erweitern, um multivariate Zeitreihen mit gemischten Frequenzen zu berücksichtigen. Wir unterscheiden zwischen „normalen“ Zeiten und Situationen, in denen sich das Zeitreihenverhalten stark von „normalen“ Zeiten unterscheidet, wie z. B. während der COVID-19-Rezession und -Erholung. GRNN ist im Hinblick auf die mittleren Prognosefehler einem autoregressiven Modell und anspruchsvolleren Ansätzen wie dynamischen Faktormodellen überlegen, wenn es angemessen angewendet wird.
Volltext: pdf