مقاله پیش بینی تورم CPI تحت سیاست اقتصادی و عدم قطعیت های جغرافیایی

چکیده

Forecasting a key macroeconomic variable, consumer price index (CPI) inflation, for BRIC countries using economic policy uncertainty and geopolitical risk is a difficult proposition for policymakers at the central banks. This study proposes a novel filtered ensemble wavelet neural network (FEWNet) that can produce reliable long-term forecasts for CPI inflation. The proposal applies a maximum overlapping discrete wavelet transform to the CPI inflation series to obtain high-frequency and low-frequency signals. All the wavelet-transformed series and filtered exogenous variables are fed into downstream autoregressive neural networks to make the final ensemble forecast. Theoretically, we show that FEWNet reduces the empirical risk compared to single, fully connected neural networks. We also demonstrate that the rolling-window real-time forecasts obtained from the proposed algorithm are significantly more accurate than benchmark forecasting methods. Additionally, we use conformal prediction intervals to quantify the uncertainty associated with the forecasts generated by the proposed approach. The excellent performance of FEWNet can be attributed to its capacity to effectively capture non-linearities and long-range dependencies in the data through its adaptable architecture.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی یک متغیر کلیدی اقتصاد کلان ، شاخص قیمت مصرف کننده (CPI) ، برای کشورهای BRIC که از عدم اطمینان سیاست اقتصادی استفاده می کنند و خطر ژئوپلیتیکی یک پیشنهاد دشوار برای سیاست گذاران در بانکهای مرکزی است.این مطالعه یک شبکه عصبی Wavelet Wavelet (FEATNET) را که می تواند پیش بینی های بلند مدت قابل اعتماد برای تورم CPI ایجاد کند ، ارائه می دهد.این پیشنهاد برای دستیابی به سیگنال های با فرکانس بالا و فرکانس پایین ، حداکثر تحول موجک گسسته را به سری تورم CPI اعمال می کند.تمام سری های تبدیل شده به موجک و متغیرهای اگزوژن فیلتر شده در شبکه های عصبی خودکار پایین دست تغذیه می شوند تا پیش بینی گروه نهایی را انجام دهند.از لحاظ تئوریکی ، ما نشان می دهیم که FewNet خطر تجربی را در مقایسه با شبکه های عصبی تک و کاملاً متصل کاهش می دهد.ما همچنین نشان می دهیم که پیش بینی های زمان واقعی نورد به دست آمده از الگوریتم پیشنهادی به طور قابل توجهی دقیق تر از روشهای پیش بینی معیار هستند.علاوه بر این ، ما از فواصل پیش بینی کنفورماسی برای تعیین کمیت عدم قطعیت مرتبط با پیش بینی های ایجاد شده توسط رویکرد پیشنهادی استفاده می کنیم.عملکرد عالی FEATNET را می توان به ظرفیت آن برای ضبط مؤثر غیر خطی ها و وابستگی های دوربرد در داده ها از طریق معماری سازگار آن نسبت داد.