Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Predicting Inflation by the Main Inflationary Factors: Performance of TVP-VAR and VAR-NN models

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43110%2F15%3A43906588" target="_blank" >RIV/62156489:43110/15:43906588 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://mme2015.zcu.cz/downloads/MME_2015_proceedings.pdf" target="_blank" >http://mme2015.zcu.cz/downloads/MME_2015_proceedings.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Predicting Inflation by the Main Inflationary Factors: Performance of TVP-VAR and VAR-NN models

  • Popis výsledku v původním jazyce

    A suitable way for forecasting inflation is to do it using main inflationary factors. Such factors can be sorted to domestic and foreign sets. One-way and two- way relations between them and inflation can be considered. Therefore, vector autoregressive model (VAR) seems to be a proper tool for modelling the reality. However, basic VAR model can suffer from insufficient forecasting performance caused by its linear nature. We employ two nonlinear vector autoregressive alternatives for predicting inflation: Time-Varying Parameter VAR model with stochastic volatility and VAR Neural Network model. In both cases we select the specification with the best combination of inflationary factors. Neural Networks are flexible tool which can be easily adjusted to anautoregressive form. Resulting VAR-NN models produce accurate inflation forecasting, but they take essential information mainly from the previous inflation observations and ignore the other series. Compared to that, TVP-VAR model is a sta

  • Název v anglickém jazyce

    Predicting Inflation by the Main Inflationary Factors: Performance of TVP-VAR and VAR-NN models

  • Popis výsledku anglicky

    A suitable way for forecasting inflation is to do it using main inflationary factors. Such factors can be sorted to domestic and foreign sets. One-way and two- way relations between them and inflation can be considered. Therefore, vector autoregressive model (VAR) seems to be a proper tool for modelling the reality. However, basic VAR model can suffer from insufficient forecasting performance caused by its linear nature. We employ two nonlinear vector autoregressive alternatives for predicting inflation: Time-Varying Parameter VAR model with stochastic volatility and VAR Neural Network model. In both cases we select the specification with the best combination of inflationary factors. Neural Networks are flexible tool which can be easily adjusted to anautoregressive form. Resulting VAR-NN models produce accurate inflation forecasting, but they take essential information mainly from the previous inflation observations and ignore the other series. Compared to that, TVP-VAR model is a sta

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    BB - Aplikovaná statistika, operační výzkum

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Mathematical Methods in Economics 2015: Conference Proceedings

  • ISBN

    978-80-261-0539-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    133-138

  • Název nakladatele

    Západočeská univerzita

  • Místo vydání

    Plzeň

  • Místo konání akce

    Cheb

  • Datum konání akce

    9. 9. 2015

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku