Determining NBER recession points using machine learning

Resumo

As crises financeiras representam grandes desafios devido ao seu profundo impacto econômico e à dificuldade de prever esses eventos com antecedência. Prever uma crise financeira com sucesso pode oferecer vantagens consideráveis, permitindo a adoção de medidas preventivas para mitigar seus efeitos. Pesquisas anteriores destacaram a importância de indicadores como a inversão da curva de juros, o PIB real e as taxas de desemprego na previsão de recessões. Além disso, métodos de têm mostrado potencial na identificação de padrões não lineares entre essas variáveis, tornando-os valiosos para prever recessões do NBER. Neste estudo, avaliamos diversos algoritmos de como Support Vector Machine, K-Nearest Neighbours, Decision Tree, Extreme Gradient Boosting, Adaptive Boosting, Random Forest, Extra Trees e Categorical Boosting, além de modelos tradicionais como ARIMA e AR. A melhor previsão dos pontos de recessão do NBER de 0 a 12 meses foi obtida ao inserir as previsões dos melhores modelos de como variáveis exógenas em um ARIMA(1,0,1). As previsões mais eficazes entre t + 0 e t + 4, o PIB real o indicador mais relevante. Além disso, uma versão do modelo mostrou-se mais adequada para prever os mínimos de mercado do que as recessões oficiais do NBER. Pesquisas futuras podem explorar o impacto de diferentes recessões, desenvolver modelos para mercados emergentes ou usar dados de crises, como a crise de 2008, para prever recessões semelhantes à recessão do Japão de 1990.

Data de atribuição	17 out. 2024
Idioma original	Inglês
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Jonathan Tepper (Orientador)