Nowcasting af dansk BNP - Komparativ Analyse af LSTM og DFM

Nowcasting the Danish GDP - Comparative Analysis of LSTM and DFM

Zangana, Las ; Kuhi, Shabana

4. semester

Økonomi (cand.oecon), Kandidat

2020

2020-06-02

62

Denne afhandling undersøger, om Machine Learning kan anvendes til nowcasting af dansk BNP og forbedre nøjagtigheden i forhold til traditionelle metoder. Baggrunden er, at BNP offentliggøres med betydelig forsinkelse, hvilket skaber et informationsgab for beslutningstagere. Nowcasting søger at udfylde dette gab ved at udnytte månedlige indikatorer til at skønne den aktuelle økonomiske udvikling. Afhandlingen gennemfører en komparativ analyse mellem en traditionel statistisk tilgang, Dynamic Factor Model (DFM), og en dybdelæringsmodel, Long Short-Term Memory (LSTM). Begge modeller anvender 29 makroøkonomiske indikatorer på måneds- og kvartalsbasis over perioden 2008-2019, hvor data fra 2008-2018 bruges til træning og 2019 til nowcasting. Modellerne evalueres med Root Mean Squared Error (RMSE) og Mean Absolute Error (MAE). Resultaterne viser, at Machine Learning kan anvendes til nowcasting og kan forbedre præcisionen i forhold til DFM; LSTM estimerer vækstrater tættere på de faktiske værdier. Samtidig har LSTM begrænsede muligheder for strukturel fortolkning og viser tegn på varierende konsistens, hvilket reducerer tilliden til forudsigelserne. Konklusionen er, at LSTM nowcaster 2019 relativt bedre end DFM, men med afvejninger i fortolkelighed og stabilitet.

This thesis examines whether Machine Learning can be used for nowcasting Danish GDP and improve accuracy relative to traditional approaches. The motivation is the substantial publication lag in GDP, which creates an information gap for decision-makers. Nowcasting addresses this by using monthly indicators to infer the current state of the economy. The study conducts a comparative analysis between a traditional statistical approach, the Dynamic Factor Model (DFM), and a deep learning model, Long Short-Term Memory (LSTM). Both models are fed 29 macroeconomic indicators at monthly and quarterly frequencies over 2008–2019, with 2008–2018 used for training and 2019 for nowcasting. Performance is evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Findings indicate that Machine Learning is applicable to nowcasting and can enhance accuracy; the LSTM produces growth estimates closer to realized values than the DFM. However, the LSTM offers limited structural interpretability and exhibits variability in consistency, which constrains trust in its predictions. The thesis concludes that LSTM nowcasts 2019 relatively better than DFM, albeit with trade-offs in interpretability and stability.

[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]

Download
Vis denne rapport i AAU Studenterprojekter