DIOGO ABRY GUILLEN
Unidades Organizacionais
Resumo profissional
person.page.researcharea
Nome para créditos
2 resultados
Resultados da Pesquisa
Agora exibindo 1 - 2 de 2
Dissertação Forecasting Inflation Using Deep Learning: An Application of Convolutional LSTM Networks and Variational Autoencoders(2021) Theoharidis, Alexandre FernandesEsse trabalho apresenta um modelo inovador baseado em deep learning para previsão de inflação, um problema desafiador e, até o momento, sem solução na Macroeconomia moderna. Os desafios emergem devido ao comportamento não linear e não estacionário exibido pela inflação na prática, divergindo da dinâmica esperada a partir da Curva de Phillips Neokeynesiana. Consequentemente, modelos econométricos convencionais se mostram incapazes de produzir previsões críveis e consistentes, pois não possuem a flexibilidade necessária para capturar essas complexidades. Nesse contexto, deep learning se apresenta como uma abordagem promissora, dado o seu sucesso no tratamento de dados não lineares e abundantes (big data). Exemplos ilustrativos são encontratos nos campos de reconhecimento de fala, interpretação textual, processamento de imagens e modelagem de séries temporais financeiras, entre outros. Surpreendentemente, apesar de seu potencial, não há aplicações de deep learning ao problema descrito para investigar se há a possibilidade de aprimorar previsões de inflação através dessa técnica. Portanto, como contribuição à literatura, esse estudo propõe um modelo de deep learning híbrido que combina Autoencoders Variacionais com Redes LSTM Convolucionais para ampliar a acurácia das previsões de inflação. O procedimento de estimação do modelo emprega técnicas do estado-da-arte para reduzir a probabilidade de overfitting, tais como a adição de camadas de dropout e batch normalization à arquitetura do modelo. Através de um banco de dados macroeconômicos públicos composto por 134 séries temporais mensais da economia estadunidense, o modelo proposto é comparado contra populares benchmarks econométricos e de machine learning, incluindo a regressão Ridge, a regressão LASSO, Random Forests, métodos Bayesianos, VECM, e o perceptron de múltiplas camadas. Usando observações coletadas no período que se estende de janeiro de 1978 até dezembro de 2019, a análise empírica corrobora a superioridade do modelo em termos de consistência e desempenho fora da amostra. A robustez das conclusões é confirmada mediante cross-validation e simulações usando diferentes amostras de treino, validação e teste.Artigo Científico Deep learning models for inflation forecasting(2023) Theoharidis, Alexandre Fernandes; DIOGO ABRY GUILLEN; HEDIBERT FREITAS LOPES; Hosszejni, DarjusWe propose a hybrid deep learning model that merges Variational Autoencoders and Convolutional LSTM Networks (VAE-ConvLSTM) to forecast inflation. Using a public macroeconomic database that comprises 134 monthly US time series from January 1978 to December 2019, the proposed model is compared against several popular econometric and machine learning benchmarks, including Ridge regression, LASSO regression, Random Forests, Bayesian methods, VECM, and multilayer perceptron. We find that VAE-ConvLSTM outperforms the competing models in terms of consistency and out-of-sample performance. The robustness of such conclusion is ensured via cross-validation and Monte-Carlo simulations using different training, validation, and test samples. Our results suggest that macroeconomic forecasting could take advantage of deep learning models when tackling nonlinearities and nonstationarity, potentially delivering superior performance in comparison to traditional econometric approaches based on linear, stationary models.