Artificial Prediction Markets, Forecast Combinations and Classical Time Series

Abstract

Ekonomičtí agenti se často dostávají do situací, kde mají k dispozici něko- lik odlišných předpovědí. Navzdory pěti dekádám zkoumání kombinací před- povědí, většina metod, která byla zatím představena, nedokáže v empirických aplikacích významně porážet kombinaci předpovědí s rovnoměrnými váhami. V této studii dáváme dohromady široké spektrum kombinací předpovědí a přezkoumáváme tyto zjištění ve dvou různých aplikacích předpovídání klasick- ých ekonomických časových řad. Tyto zahrnují mimo-výběrové kombinování předpovědí ECB Survey of Professional Forecasters a předpovědí realizované volatility logaritmických zisků futures na americké státní dluhopisy. Hod- notíme výkonnost umělých predikčních trhů, třídy metod ze strojového učení, která zatím nebyla aplikována na problém kombinování předpovědí ekonomick- ých časových řad. Dále navrhujeme novou jednoduchou metodu nazvanou Market for Kernels, která je navržená speciálně pro kombinování předpovědí časových řad. Zjistili jsme, že rovnoměrné váhy se dají významně porazit něko- lika kombinacemi předpovědí, které zahrnují Bates-Grangerovi metody a umělé predikční trhy v ECB Survey of Professional Forecasters aplikaci a skoro všemi zkoumanými kombinacemi předpovědí ve finanční aplikaci. Také jsme zjistili, že předpovědní výkonnost Market for Kernels v obou...

Economic agents often face situations, where there are multiple competing fore- casts available. Despite five decades of research on forecast combinations, most of the methods introduced so far fail to outperform the equal weights forecast combination in empirical applications. In this study, we gather a wide spectrum of forecast combination methods and reexamine these findings in two different classical economic times series forecasting applications. These include out-of- sample combining forecasts from the ECB Survey of Professional Forecasters and forecasts of the realized volatility of the U.S. Treasury futures log-returns. We asses the performance of artificial predictions markets, a class of machine learning methods, which has not yet been applied to the problem of combin- ing economic times series forecasts. Furthermore, we propose a new simple method called Market for Kernels, which is designed specifically for combining time series forecasts. We found that equal weights can be significantly out- performed by several forecast combinations, including Bates-Granger methods and artificial prediction markets in the ECB Survey of Professional Forecasters application and by almost all examined forecast combinations in the financial application. We also found that the Market for Kernels forecast...