Taming data-driven probability distributions

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F25%3A00599855" target="_blank" >RIV/67985556:_____/25:00599855 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216208:11230/25:10514022

Výsledek na webu

<a href="https://onlinelibrary.wiley.com/doi/10.1002/for.3208" target="_blank" >https://onlinelibrary.wiley.com/doi/10.1002/for.3208</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1002/for.3208" target="_blank" >10.1002/for.3208</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Taming data-driven probability distributions

Popis výsledku v původním jazyce

We propose a deep learning approach to probabilistic forecasting of macroeconomic and financial time series. By allowing complex time series patterns to be learned from a data-rich environment, our approach is useful for decision making that depends on the uncertainty of a large number of economic outcomes. In particular, it is informative for agents facing asymmetric dependence of their loss on the outcomes of possibly non-Gaussian and non-linear variables. We demonstrate the usefulness of the proposed approach on two different datasets where a machine learns patterns from the data. First, we illustrate the gains in predicting stock return distributions that are heavy tailed and asymmetric. Second, we construct macroeconomic fan charts that reflect information from a high-dimensional dataset.

Název v anglickém jazyce

Taming data-driven probability distributions

Popis výsledku anglicky

We propose a deep learning approach to probabilistic forecasting of macroeconomic and financial time series. By allowing complex time series patterns to be learned from a data-rich environment, our approach is useful for decision making that depends on the uncertainty of a large number of economic outcomes. In particular, it is informative for agents facing asymmetric dependence of their loss on the outcomes of possibly non-Gaussian and non-linear variables. We demonstrate the usefulness of the proposed approach on two different datasets where a machine learns patterns from the data. First, we illustrate the gains in predicting stock return distributions that are heavy tailed and asymmetric. Second, we construct macroeconomic fan charts that reflect information from a high-dimensional dataset.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

50202 - Applied Economics, Econometrics

Projekt

<a href="/cs/project/GX19-28231X" target="_blank" >GX19-28231X: Dynamické modely pro digitální finance</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

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

Název periodika

Journal of Forecasting

ISSN

0277-6693

e-ISSN

1099-131X

Svazek periodika

44

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

30

Strana od-do

676-691

Kód UT WoS článku

001357994900001

EID výsledku v databázi Scopus

2-s2.0-85209813913