A Factor Augmented Vector Autoregressive model and a Stacked De-noising Auto-encoders forecast combination to predict the price of oil

Abstract

A dissertação a seguir tem como objetivo mostrar os benefícios de uma combinação de previsão entre uma metodo econométrico e um de Deep Learning. De um lado, um Factor Augmented Vector Autoregressive (FAVAR) com identificação naming variables seguindo Stock e Watson (2016); do outro lado, um Stacked De-noising Auto-encoders (SDAE-B), seguido por Zhao, Li e Yu (2017), é implementado. De janeiro de 2010 a Setembro de 2018, 281 séries mensais são usadas para prever o preço do West Texas Intermediate (WTI). O desempenho do modelo é analisado pelo Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) e Directional Accuracy (DA). A combinação se beneficia da alta precisão do SDAE-B e dos recursos de interpretação do FAVAR por meio das Impulse Response Functions (IRFs) e da Forecast Error Variance Decomposition (FEVD).

The following dissertation aims to show the benefits of a forecast combination between an econometric and a deep learning approach. On one side, a Factor Augmented Vector Autoregressive Model (FAVAR) with naming variables identification following Stock and Watson (2016) 1 ; on the other side, a Stacked De-noising Auto-Encoder with Bagging (SDAEB) following Zhao, Li and Yu (2017) 2 are implemented. From January 2010 to September 2018 Two-hundred-eighty-one monthly series are used to predict the price of the West Texas Intermediate (WTI). The model performance is analysed by Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) and Directional Accuracy (DA). The combination benefits from both SDAE-B’s high accuracy and FAVAR’s interpretation features through impulse response functions (IRFs) and forecast error variance decomposition (FEVD).