Study of macroeconomic variables of the euro area using machine learning

Abstract

The task of Macroeconomic forecasting is demanding and precarious. Demanding in terms of the data needed to create an accurate forecasting model and precarious in terms of the many dynamic relations that influence Macroeconomic variables. Traditional Econometrics investigate the validity of simple theory-driven forecasting models in real data considering a small fraction of the interwoven Macroeconomical network; cutting-edge Machine Learning models, in contrast, don’t need to be based on theory and can treat as many variables as needed.In this dissertation I train multiple models to forecast three key macroeconomic variables for the euro area using machine learning: Eurocoin index, unemployment rate and output gaps. More specifically, I train models to directionally forecast the Eurocoin index using simple sum and Divisia monetary aggregates. By doing so, I also compare the forecasting ability between the simple sum and Divisia monetary aggregates (Barnett critique) and test whether money affects real economic growth, known as the money neutrality theory. I also train models to directionally forecast the unemployment rate while identifying the variables that affect its predictability. Finally, I forecast the output gaps of the euro area GDP using various combinations of long- and short-term interest rates.The comparison between the simple sum and Divisia monetary aggregates reveals that the latter exhibit superior directional forecasting results. The best model includes 12 lags of the Divisia M2 and 6 lags of the Eurocoin index, achieving an out-of-sample accuracy of 82.05% and an in-sample accuracy of 87.2%. Furthermore, the impact of measures of money supply, including simple sum and Divisia monetary aggregates, on the economic activity of the euro area is significant, as they offer superior forecasting capabilities for the Eurocoin index. These findings challenge the notion of money neutrality, demonstrating that money supply plays a crucial role in economic activity.Additionally, I investigate the effectiveness of various machine learning models for forecasting unemployment rate in the euro area. The empirical findings reveal that the random forest model outperforms other models and achieves a full-dataset accuracy of 88.48% and an out-of-sample accuracy of 85.42%. Additionally, the empirical analysis shows that financial indices and past values (lags) of unemployment significantly influence the accuracy of euro area unemployment forecasts. The incorporation of these variables in the random forest model leads to more accurate and reliable predictions of the unemployment rate in the euro area. Regarding the output gaps forecasting, the most accurate model is an SVM model coupled with the RBF kernel using all 9 interest rates yielding an in-sample accuracy of 85.29% and an out-of-sample accuracy of 94.74%. Furthermore, the analysis of Support Vector Machines (SVM) and the elastic net models suggests that incorporating all nine interest rates yields the best results. This finding provides empirical evidence that short-term and long-term interest rates offer more informative insights for forecasting euro area output gaps, compared to relying solely on the slope of the yield curve.The extant literature on macroeconomic variable forecasting provides numerous studies aimed at predicting the direction of these variables and developing forecasting applications and crisis detection models, among other objectives. However, the literature on forecasting macroeconomic variables for the euro area is relatively limited, with a sparse number of studies focusing on the macroeconomics of the euro area as a whole. The majority of the research has concentrated on specific EU member nations rather than on the supranational level of the euro area. Consequently, there exists a pressing need to optimize current models further and develop novel effective models.The models developed in this dissertation create a toolkit that can be used by governments and central banks, but also by large corporations. This toolkit is expected to assist stakeholders in monitoring changes in the macroeconomic environment of the euro area.

Η πρόβλεψη μακροοικονομικών μεγεθών είναι απαιτητική και επισφαλής. Απαιτητική από την άποψη των δεδομένων που απαιτούνται για τη δημιουργία ενός ακριβούς μοντέλου πρόβλεψης και επισφαλής από την άποψη των πολλών δυναμικών σχέσεων που επηρεάζουν τις μακροοικονομικές μεταβλητές. Η παραδοσιακή Οικονομετρία διερευνά την εγκυρότητα απλών μοντέλων πρόβλεψης με βάση τη θεωρία σε πραγματικά δεδομένα, λαμβάνοντας υπόψη ένα μικρό μέρος του αλληλένδετου μακροοικονομικού δικτύου. Αντίθετα, τα μοντέλα Μηχανικής Μάθησης δεν χρειάζεται να βασίζονται στη θεωρία και μπορούν να διαχειριστούν όσες μεταβλητές χρειάζεται.Στην παρούσα διατριβή εκπαιδεύω πολυάριθμα μοντέλα για την πρόβλεψη τριών βασικών μακροοικονομικών μεταβλητών για τη ζώνη του ευρώ με τη χρήση μηχανικής μάθησης: του δείκτη Eurocoin, του ποσοστού ανεργίας και των παραγωγικών κενών (output gaps). Πιο συγκεκριμένα, εκπαιδεύω μοντέλα για την πρόβλεψη της κατεύθυνσης του δείκτη Eurocoin χρησιμοποιώντας τα simple sum και τα Divisia monetary aggregates. Με τον τρόπο αυτό, συγκρίνω, ταυτόχρονα, την ικανότητα πρόβλεψης μεταξύ των simple sum και των Divisia (Barnett Critique) και ελέγχω αν η ποσότητα του χρήματος επηρεάζει τα πραγματικά οικονομικά μεγέθη, γνωστή ως money neutrality theory. Εκπαιδεύω επίσης μοντέλα για την πρόβλεψη της κατεύθυνσης του ποσοστού ανεργίας, ενώ παράλληλα προσδιορίζω τις μεταβλητές που επηρεάζουν την προβλεψιμότητά της. Τέλος, προβλέπω τα output gaps του ΑΕΠ της ευρωζώνης χρησιμοποιώντας διάφορους συνδυασμούς μακροπρόθεσμων και βραχυπρόθεσμων επιτοκίων.Η σύγκριση μεταξύ των simple sum και των Divisia monetary aggregates δείχνει ότι τα τελευταία παρουσιάζουν καλύτερα αποτελέσματα προβλέψεων. Το βέλτιστο μοντέλο περιλαμβάνει 12 lags του Divisia M2 και 6 lags του δείκτη Eurocoin, επιτυγχάνοντας ακρίβεια out-of-sample 82,05% και ακρίβεια in-sample 87,2%. Επιπλέον, η επίδραση των monetary aggregates (simple sum και Divisia) στην οικονομική δραστηριότητα της ευρωζώνης είναι σημαντική, καθώς προσφέρουν καλύτερη προβλεπτική ικανότητα για τον δείκτη Eurocoin. Τα ευρήματα αυτά αμφισβητούν την θεωρία του money neutrality, αποδεικνύοντας ότι η προσφορά χρήματος διαδραματίζει κρίσιμο ρόλο στην οικονομική δραστηριότητα της ευρωζώνης.Επιπλέον, διερευνώ την αποτελεσματικότητα διαφόρων μοντέλων μηχανικής μάθησης για την πρόβλεψη της κατεύθυνσης του ποσοστού ανεργίας στην ευρωζώνη. Τα εμπειρικά ευρήματα αποκαλύπτουν ότι το μοντέλο με τη μεθοδολογία Random Forest υπερέχει έναντι άλλων μοντέλων και επιτυγχάνει ακρίβεια πρόβλεψης 88,48%, στο σύνολο των δεδομένων και ακρίβεια 85,42%, στα δεδομένα out-of-sample. Επιπλέον, η εμπειρική ανάλυση δείχνει ότι οι χρηματοοικονομικοί δείκτες και τα lags (προηγούμενες τιμές) της ανεργίας επηρεάζουν σημαντικά την ακρίβεια των προβλέψεων για την ανεργία στην ευρωζώνη. Η ενσωμάτωση αυτών των μεταβλητών στο μοντέλο Random Forest οδηγεί σε πιο ακριβείς και αξιόπιστες προβλέψεις του ποσοστού ανεργίας στη ζώνη του ευρώ.Όσον αφορά την πρόβλεψη των output gaps, το μοντέλο με την μεγαλύτερη ακρίβεια πρόβλεψης είναι ένα μοντέλο SVM σε συνδυασμό με τον πυρήνα RBF που χρησιμοποιεί και τα 9 επιτόκια που δοκιμάστηκαν, αποδίδοντας ακρίβεια in-sample 85,29% και out-of-sample 94,74%. Επιπλέον, η ανάλυση των μοντέλων SVM και των μοντέλων elastic net δείχνει ότι η ενσωμάτωση και των εννέα επιτοκίων αποδίδει τα βέλτιστα αποτελέσματα. Το εύρημα αυτό παρέχει εμπειρικές αποδείξεις ότι η χρήση των βραχυπρόθεσμων και των μακροπρόθεσμων επιτοκίων προσφέρουν πιο πολύ πληροφορία για την πρόβλεψη των output gaps της ευρωζώνης, σε σύγκριση με τη στήριξη αποκλειστικά στην κλίση της καμπύλης αποδόσεων.Η υπάρχουσα βιβλιογραφία, σχετικά με την πρόβλεψη μακροοικονομικών μεταβλητών, παρέχει πολυάριθμες μελέτες που στοχεύουν στην πρόβλεψη της κατεύθυνσης των μεταβλητών αυτών και στην ανάπτυξη εφαρμογών πρόβλεψης και μοντέλων ανίχνευσης κρίσεων, μεταξύ άλλων. Ωστόσο, η βιβλιογραφία, σχετικά με την πρόβλεψη μακροοικονομικών μεταβλητών για την ευρωζώνη, είναι σχετικά περιορισμένη, με έναν μικρό αριθμό μελετών να εστιάζουν στη μακροοικονομία της ευρωζώνης στο σύνολό της. Η πλειονότητα των ερευνών έχει επικεντρωθεί σε συγκεκριμένα κράτη μέλη της ΕΕ και όχι στο υπερεθνικό επίπεδο της ευρωζώνης. Κατά συνέπεια, υπάρχει επιτακτική ανάγκη για περαιτέρω βελτιστοποίηση των υφιστάμενων μοντέλων και ανάπτυξη νέων αποτελεσματικών μοντέλων.Τα μοντέλα που αναπτύχθηκαν στη παρούσα διατριβή δημιουργούν μια εργαλειοθήκη που μπορεί να χρησιμοποιηθεί από κυβερνήσεις και κεντρικές τράπεζες, αλλά και από μεγάλες επιχειρήσεις. Αυτή η εργαλειοθήκη αναμένεται να βοηθήσει τους ενδιαφερόμενους φορείς στην παρακολούθηση των αλλαγών στο μακροοικονομικό περιβάλλον της ζώνης του ευρώ.