Machine learning-based approaches to forecasting international trade

Abstract

In this thesis I focus on comparison of gravity model estimated with ordinary least squares and Poisson pseudo-maximum likelihood with regression techniques based on machine learning, namely support vector machines, random forests, and arti_cial neural networks. I discuss the advantages and disadvantages of these approaches and compare their forecasting accuracy on exports data. I demonstrate that random forest models and arti_cial neural networks provide superior forecasting accuracy.

V této práci se soustředím na porovnání gravitačního modelu odhadnutého pomocí metody nejmenších čtverců a metody Poissonovy maximální věrohodnosti oproti regresním technikám založeným na strojovém učení, konkrétně se jedná o support vector machines, random forests, a umělé neuronové sítě. Provádím diskusi výhod a nevýhod jednotlivých přístupů a srovnávám jejich predikční schopnosti na exportních datech. Demonstruji, že random forest model a umělé neuronové sítě poskytují lepší predikce.