Prague Economic Papers 2021, 30(3):336-357 | DOI: 10.18267/j.pep.765

Random Forest as a Model for Czech Forecasting

Katerina Gawthorpe ORCID...a
a Prague University of Economy and Business, Prague, Czech Republic

Random forest models have recently gained popularity for economic forecasting. Earlier studies demonstrated their potential to provide early warnings of recession and serve as a competitive method to older prediction models. This study offers the first evaluation of the random forest forecast for the Czech economy. The one-step-ahead forecasting results show high accuracy on the Czech data and are proven to outperform forecasts from the Czech Ministry of Finance and the Czech National Bank. The following multi-step random forest forecast, estimated for the next four quarters, shows results similar to those from the central institutions. The main difference stems from the household and industrial confidence variables, which significantly impact on the random forest forecast. The variable-importance analysis further emphasizes the soft variables as valuable determinants for Czech forecasting. Overall, the findings motivate other forecasters to exercise this method.

Klíčová slova: Random forest, Czech Republic, forecast, regression tree
JEL classification: C32, C63, E37

Vloženo: 18. březen 2020; Revidováno: 31. říjen 2020; Přijato: 7. prosinec 2020; Zveřejněno online: 10. únor 2021; Zveřejněno: 11. červen 2021  Zobrazit citaci

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Gawthorpe, K. (2021). Random Forest as a Model for Czech Forecasting. Prague Economic Papers, 30(3), 336-357. doi: 10.18267/j.pep.765
Stáhnout citaci
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Zobrazit celý článek

    Reference

    1. Alessi, L., Detken, C. (2011). Quasi Real Time Early Warning Indicators for Costly Asset Price Boom/Bust Cycles: A Role for Global Liquidity. European Journal of Political Economy, 27(3), 520-533, https://doi.org/10.1016/j.ejpoleco.2011.01.003 Přejít k původnímu zdroji...
    2. Aliyev, I., Bobková, B., Štork, Z. (2014). Rozšířený DSGE model české ekonomiky. Praha: Ministerstvo financí České republiky. Available at: https://www.mfcr.cz/cs/ o-ministerstvu/ odborne-studie-a-vyzkumy/2014/rozsireny-dsge-model-ceske- ekonomiky-17282
    3. Atkeson, A., Ohanian, L. E. (2001). Are Phillips Curves Useful for Forecasting Inflation? Quarterly Review, 25(1), 1-11, https://doi.org/10.21034/qr.2511 Přejít k původnímu zdroji...
    4. Baybuza, I. (2018). Inflation Forecasting Using Machine Learning Methods. Russian Journal of Money and Finance, 77(4), 42-59, https://doi.org/10.31477/rjmf.201804.42 Přejít k původnímu zdroji...
    5. Biau, O., D'elia, A. (2010). Euro Area GDP Forecast Using Large Survey Dataset-A Random Forest Approach. EcoMod2010 No. 259600029. Available at: https://ideas.repec.org/p/ekd/002596/259600029.html
    6. Blanchard, O. (2016). The Phillips Curve: Back to the '60s? American Economic Review, 106(5), 31-34, https://doi.org/10.1257/aer.p20161003 Přejít k původnímu zdroji...
    7. Boulesteix, A.-L., Janitza, S., Kruppa, J., et al. (2012). Overview of Random Forest Methodology and Practical Guidance with Emphasis on Computational Biology and Bioinformatics: Random Forests in Bioinformatics. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2(6), 493-507, https://doi.org/10.1002/widm.1072 Přejít k původnímu zdroji...
    8. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32, https://doi.org/10.1023/A:1010933404324 Přejít k původnímu zdroji...
    9. Česká národní banka (2020). Nový strukturální model "g3". Praha: Česká národní banka. Available at: https://www.cnb.cz/cs/menova-politika/zpravy-o-inflaci/tematicke-prilohy-a-boxy/Novy-strukturalni-model-g3
    10. Česká národní banka (2020). Zprávy o inflaci. Praha: Česká národní banka. Available at: https://www.cnb.cz/cs/menova-politika/zpravy-o-inflaci/
    11. Český statistický úřad (2020). Český statistický úřad. Available at: https://www.czso.cz/csu/czso/domov
    12. Cheng, H., Tan, P.-N., Gao, J., et al. (2006). Multistep-Ahead Time Series Prediction. Proceedings of the 10th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining, pp. 765-774, https://doi.org/10.1007/11731139_89 Přejít k původnímu zdroji...
    13. Database-Eurostat (2020). Available at: https://ec.europa.eu/eurostat/data/database
    14. Engel, C. (2000). Long-run PPP May Not Hold After All. Journal of International Economics, 51(2), 243-273, https://doi.org/10.1016/S0022-1996(99)00011-2 Přejít k původnímu zdroji...
    15. Fernández Delgado, M., Cernadas García, E., Barro Ameneiro, S., et al. (2014). Do We Need Hundreds of Classifiers to Solve Real World Classification Problems? 11(1), https://doi.org/10.1117/1.JRS.11.015020 Přejít k původnímu zdroji...
    16. Gawthorpe, K. (2019). Input-Output DSGE Model for the Czech Republic. Prague Economic Papers, 28(5), 612-630, https://doi.org/10.18267/j.pep.724 Přejít k původnímu zdroji...
    17. Gawthorpe, K. (2020). Forecasting VAR Analysis for a DSGE-VAR Model. Ministerstvo financí České republiky. Prague Working Paper No. 1/2014.
    18. Goulet Coulombe, P. (2020). The Macroeconomy as a Random Forest. Social Science Research Network, https://doi.org/10.2139/ssrn.3633110 Přejít k původnímu zdroji...
    19. Herrera, G. P., Constantino, M., Tabak, B. M., et al.(2019). Long-term Forecast of Energy Commodities Price Using Machine Learning. Energy, 179, 214-221, https://doi.org/10.1016/j.energy.2019.04.077 Přejít k původnímu zdroji...
    20. Hou, Y., Edara, P., Sun, C. (2015). Traffic Flow Forecasting for Urban Work Zones. IEEE Transactions on Intelligent Transportation Systems, 4(16), 1761-1770, https://doi.org/10.1109/TITS.2014.2371993 Přejít k původnímu zdroji...
    21. Khaidem, L., Saha, S., Dey, S. R. (2016). Predicting the Direction of Stock Market Prices Using Random Forest. ArXiv:1605.00003 [Cs], 1-20. Available at: http://arxiv.org/abs/1605.00003
    22. Kucharčuková, O. B., Franta, M., Hájková, D., et al. (2013). What We Know About Monetary Policy Transmission in the Czech Republic: Collection of Empirical Results. Czech National Bank. Prague CNB Research and Policy Notes No. 1/2013.
    23. Kumar, M., Thenmozhi, M. (2006). Forecasting Stock Index Movement: A Comparison of Support Vector Machines and Random Forest. Indian Institute of Capital Markets 9th Capital Markets Conference Paper, pp. 1-16, https://doi.org/10.2139/ssrn.876544 Přejít k původnímu zdroji...
    24. Li, X., Wang, Y., Basu, S., et al. (2019). A Debiased MDI Feature Importance Measure for Random Forests. Advances in Neural Information Processing Systems, 32(2019), 8049-8059. Available at: http://papers.nips.cc/paper/9017-a-debiased-mdi-feature-importance-measure-for-random-forests.pdf
    25. Mei, J., He, D., Harley, R., et al. (2014). A Random Forest Method for Real-time price Forecasting in New York Electricity Market. 2014 IEEE PES General Meeting | Conference Exposition, pp. 1-5, https://doi.org/10.1109/PESGM.2014.6939932 Přejít k původnímu zdroji...
    26. Nguyen, T.-T., Huang, J., Nguyen, T. (2015). Unbiased Feature Selection in Learning Random Forests for High Dimensional Data. The Scientific World Journal, 2015, 1-18, https://doi.org/10.1155/2015/471371 Přejít k původnímu zdroji...
    27. Nyman, R., Ormerod, P. (2017). Predicting Economic Recessions Using Machine Learning Algorithms. ArXiv:1701.01428 [q-Fin], 1-14. Available at: http://arxiv.org/abs/1701.01428
    28. Ministerstvo financí České republiky (2020). Available at: https://www.mfcr.cz/cs
    29. Pavlyshenko, B. M. (2019). Machine-Learning Models for Sales Time Series Forecasting. Data, 4(1), 15, https://doi.org/10.3390/data4010015 Přejít k původnímu zdroji...
    30. Pfeifer, J. (2020). A Guide to Specifying Observation Equations for the Estimation of DSGE Models. 81. Available at: https://bbcb79fe-a-62cb3a1a-s-sites.googlegroups.com/site/pfeiferecon/Pfeifer_2013_Observation_Equations.pdf?attachauth=ANoY7cp7k-tSpM7wwJb6nm7QlIBSe6wZV2PlWyAJYT84Tjjh_mdrAXqDPNgA_5R7bPGKEBMMyyQa6aEY7I7d8czTAV-m9H-XgTGWHSkXDJM1gxZktgDQxQ26nVWEY6cf0kst26-L_uKNvmzCEmTGKtTTlNPadMlM-QpA7MVnSrd9fEQ-qZ4wcQ4XIwUekxIMq_8KvEXufe1M9wWLS5w8njupRJKKE6z_Bkwk9qkbmOz7TuQAmySkglXN_wkQhFinqEjE5IcdUMqh&attredirects=2
    31. Ramakrishnan, S., Butt, S., Chohan, M. A., et al. (2017). Forecasting Malaysian Exchange Rate Using Machine Learning Techniques Based on Commodities Prices. 2017 International Conference on Research and Innovation in Information Systems (ICRIIS), pp. 1-5, https://doi.org/10.1109/ICRIIS.2017.8002544 Přejít k původnímu zdroji...
    32. Wager, S., Athey, S. (2018). Estimation and Inference of Heterogeneous Treatment Effects using Random Forests. Journal of the American Statistical Association, 113(523), 1228-1242, https://doi.org/10.1080/01621459.2017.1319839 Přejít k původnímu zdroji...
    33. Wolman, A. L. (2003). Real Implications of the Zero Bound on Nominal Interest Rates. Federal Reserve Bank of Richmond. Richmond Working Paper No. 03-15, https://doi.org/10.2139/ssrn.2184489 Přejít k původnímu zdroji...
    34. Woloszko, N. (2020). Adaptive Trees: A New Approach to Economic Forecasting. OECD Economics Department. Paris Working Papers No. 1593, https://doi.org/10.1787/5569a0aa-en 3.2. Tuning the Hyper-parameters of an Estimator-Scikit-Learn 0.22.2 Documentation. (2020). scikit-learn developers. Available at: https://scikit-learn.org/stable/modules/grid_search.html Přejít k původnímu zdroji...

    Tento článek je publikován v režimu tzv. otevřeného přístupu k vědeckým informacím (Open Access), který je distribuován pod licencí Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), která umožňuje nekomerční distribuci, reprodukci a změny, pokud je původní dílo řádně ocitováno. Není povolena distribuce, reprodukce nebo změna, která není v souladu s podmínkami této licence.


    Zpět na obsah