Essays on Data-driven, Non-parametric Modelling of Time-series

Abstract

This thesis consists of four contributions to the literature on data-driven and non-parametric modelling of time series. In the first paper, we study the synchronisation of business cycles and propose a multivariate co-movement measure based on time-frequency cohesion. We suggest that economic inte- gration may lead to increased co-movement of business cycles, which may reflect the benefits of convergence and coordination of economic policies. The second paper presents a new methodology for identifying persistence in macroeconomic variables. Using time-varying frequency response func- tions, we identify heterogeneous persistence effects in US macroeconomic variables. The third and fourth papers propose data-driven techniques for probabilistic forecasting of time series using deep learning. We introduce a multi-output neural network that selects the most appropriate distribution for the data. The distributional neural network is valuable for modelling data with non-linear, non-Gaussian and asymmetric structures. The third paper demonstrates the usefulness of the method by estimating information-rich macroeconomic fan charts and distributional forecasts of asset returns. In the last paper, we present the distributional neural network to obtain the proba- bility distribution of electricity price...

Tato dizertační práce se skládá ze čtyř článků přispívající k literatuře o datově řízeném a neparametrickém modelování časových řad. V prvním příspěvku studujeme synchronizaci hospodářských cyklů a navrhujeme vícerozměr- nou míru sladěnosti založenou na časové frekvenční kohezi. Naznačujeme, že ekonomická integrace může vést k vyšší sladěnosti hospodářských cyklů, což může odrážet výhody konvergence a koordinace hospodářských poli- tik. Druhý článek představuje novou metodiku pro identifikaci perzistence makroekonomických proměnných. Pomocí časově proměnných funkcí frek- venční odezvy identifikujeme heterogenní efekty perzistence v makroekono- mických proměnných USA. Třetí a čtvrtý článek navrhují metody založené na datech pro předpovídání distribucí časových řad s využitím strojového učení. Zavádíme vícevýstupovou neuronovou síť, která pro data vybírá nej- vhodnější rozdělení. Distribuční neuronová síť je přínosná pro modelování dat s nelineární, negaussovskou a asymetrickou strukturou. Třetí článek de- monstruje užitečnost této metody k odhadu informačně bohatých makroeko- nomických vějířových grafů a pravděpodobnostních předpovědí výnosů ak- cií. V posledním článku představujeme distribuční neuronovou síť k získání pravděpodobnostního rozdělení předpovědí cen elektřiny. Předpovídáme hodinové ceny...