Predicting the Future: Econometrics vs. Machine Learning in Macroeconomic Forecasting

At Forudsige Fremtiden: Økonometri vs. Maskinlæring i Makroøkonomiske Prognoser

Nicolaisen, Mads Tomra

4. term

Economics, Master

2024

2024-06-03

37

Accurate macroeconomic forecasts guide policy, and the rapid spread of AI raises the question of whether machine learning can outperform established econometric tools. This thesis compares classical and AI‑driven approaches for forecasting Danish GDP over 1990–2024 by evaluating an ARIMA model against Gradient Boosting, a Long Short‑Term Memory network, and pre‑trained Large Language Models. Forecasts are assessed with MAPE and RMSE across short‑ and multi‑step horizons, including tests with and without industry and consumer sentiment indicators and across pre‑ and post‑COVID samples. The results show that ARIMA delivers the most accurate one‑step‑ahead forecasts, while machine‑learning models outperform it at longer horizons (e.g., 16 steps ahead). LLMs generally underperform the other approaches but occasionally yield the best forecast in specific settings. Overall, the study indicates that near‑term predictions benefit from statistically grounded models, whereas ML can capture longer‑run complex relationships at the cost of transparency, highlighting a trade‑off between explainability and potential gains in long‑horizon accuracy.

Præcise makroøkonomiske prognoser er vigtige for politiske beslutninger, og den hurtige udbredelse af AI rejser spørgsmålet, om maskinlæring kan forbedre de etablerede økonometriske værktøjer. Dette speciale sammenligner klassiske og AI‑drevne metoder til at forudsige dansk BNP i perioden 1990–2024 ved at holde en ARIMA‑model op mod Gradient Boosting, et Long Short‑Term Memory‑netværk og foruddannede Large Language Models. Prognoserne evalueres med MAPE og RMSE på både kort og længere horisonter, herunder tests med og uden branche‑ og forbrugertillidsindikatorer samt på tværs af før‑ og efter‑COVID‑perioder. Resultaterne viser, at ARIMA giver de mest præcise ét‑trin‑forudsigelser, mens ML‑modellerne klarer sig bedst på længere horisonter (fx 16 trin frem). LLM’er præsterer generelt ringere end de øvrige metoder, men giver lejlighedsvis den bedste prognose i specifikke opsætninger. Samlet peger studiet på, at nærtidsprognoser drager fordel af statistisk funderede modeller, mens ML kan fange længerevarende komplekse sammenhænge på bekostning af transparens, hvilket understreger en afvejning mellem forklarbarhed og mulige gevinster i langhorisont‑nøjagtighed.

[This apstract has been generated with the help of AI directly from the project full text]

Download PDF
View record in AAU Student Projects