Dit project vergelijkt diverse methoden voor het voorspellen van macro-economische variabelen (zoals BBP, werkloosheid, inflatie) op korte termijn. Belangrijk is dat deze voorspellingen bruikbaar zijn voor beleidsmakers en investeerders.
De studie bouwt voort op eerdere methoden en voegt nieuwe technieken toe. Naast klassieke modellen (penalty-regressies en factor-modellen) zijn ook machine learning-methoden getest, zoals Random Forests, XGBoost en Support Vector Regression. Er is ook gekeken naar combinaties van modellen (forecast combinations), waarbij voorspellingen van meerdere methoden worden gemiddeld of gewogen om de nauwkeurigheid te verbeteren. Verder is geëxperimenteerd met regime-switching modellen, die rekening houden met plotselinge veranderingen (bijv. economische crises of pandemieën).
Belangrijkste bevindingen zijn: individuele ML-modellen leveren soms verrassende resultaten, maar vaak presteert geen enkel model opvallend goed voor alle situaties. Met name Support Vector Regression voldeed niet goed. Wat consistent voordeel gaf, was het combineren van voorspellingen. Door simpelweg het gemiddelde te nemen van verschillende modellen, verbeterde de voorspellingsnauwkeurigheid het meest.
Een ander inzicht was dat geen enkel model de bijzondere gedragsveranderingen tijdens de COVID-19-pandemie kon voorspellen, de crisis zat simpelweg niet in de historische patronen. Toch bleek dat als je een regime-switching raamwerk toepast op bijvoorbeeld Random Forests, je in sommige scenario’s betere resultaten kunt krijgen. Dit suggereert dat flexibele modellen die van “regime” kunnen wisselen (zoals een Markov-switch gecombineerd met een Random Forest) in bepaalde omstandigheden meerwaarde bieden.
Samenvattend laat dit project zien dat in de praktijk voorspellen van macro-economische trends vraagt om veelzijdige benaderingen. Het combineren van modellen geeft doorgaans stabielere resultaten, en het integreren van structurele veranderingen in de modellen kan belangrijk zijn bij onvoorspelbare gebeurtenissen.