• norsk
    • English
  • English 
    • norsk
    • English
  • Login
View Item 
  •   Home
  • Norges Handelshøyskole
  • Thesis
  • Master Thesis
  • View Item
  •   Home
  • Norges Handelshøyskole
  • Thesis
  • Master Thesis
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Kunstig intelligens i makroøkonomisk prognosearbeid : en empirisk studie av hvor godt maskinlæring evner å predikere norsk økonomisk vekst

Bankson, Christian Alex; Holm, Andreas Madsen
Master thesis
Thumbnail
View/Open
masterthesis.pdf (3.175Mb)
URI
https://hdl.handle.net/11250/2644325
Date
2019
Metadata
Show full item record
Collections
  • Master Thesis [3258]
Abstract
Denne masterutredningen introduserer anvendelsen av maskinlæring i utarbeidelsen av

makroøkonomiske anslag. Vårt studie analyserer hvor godt maskinlæring predikerer

økonomisk vekst i Fastlands-Norge. Basert på et kvartalsvis datasett trenes tre

ulike algoritmer til å produsere kvartalsvise og årlige prediksjoner. For å vurdere

prediksjonene sammenlignes de med tidligere avgitte prediksjoner fra Norges Bank, SSB,

Finansdepartementet og DNB. For å sikre et rettferdig informasjonsgrunnlag for alle

prediksjoner tilpasses fremgangsmåten for maskinlæringen slik at prediksjonstidspunktet

for de ulike aktørene ivaretas. Maskinlæringen vil likevel ha en fordel ettersom prediksjonene

er basert på senere reviderte data, til forskjell fra de historiske prediksjonene fra de

resterende aktørene. For de kvartalsvise prediksjonene gjennomføres også en robusthetstest

ved å utvide prediksjonshorisonten til å inkludere finanskrisen i 2008 og 2009.

Våre resultater underbygger klart at maskinlæring produserer minst like gode prediksjoner

som de etablerte aktørene. For både kvartalsvise og årlige prediksjoner leverer den beste

maskinlæringsmodellen, Super Learner, de mest presise prediksjonene for Fastlands-Norge.

For den kvartalsvise sammenligningen med Norges Bank viser analysen at årene 2010 og

2011 er avgjørende. Maskinlæringen evner å fange opp tidspunktet for den kraftige veksten

norsk økonomi opplevde på en bedre måte enn Norges Bank. Det samme mønsteret går igjen

for de årlige prediksjonene. Spesielt for 2011 evner Super Learner å predikere mer presist

enn Norges Bank, SSB, DNB og Finansdepartementet. Prediksjonene til de fire aktørene

forbedrer seg utover perioden, mens maskinlæringen viderefører sin presise prediksjon.

Det kan virke som at maskinlæringen evner å fange opp de strukturelle endringene etter

finanskrisen raskere enn de andre aktørene, både ved kvartalsvis og årlig prediksjon. I

robusthetstesten på de kvartalsvise prediksjonene sliter maskinlæringen med å predikere

omfanget av finanskrisen. Likevel leverer både Super Learner og Elastic Net modellene

absolutte avvik som i snitt er lavere enn 1 %-poeng. Selv om maskinlæringen besitter et

informasjonsfortrinn gjennom reviderte input data, mener vi en algoritmisk tilnærming

til prediksjon av norsk økonomisk vekst vil være verdifullt for det makroøkonomiske

fagmiljøet.

Nøkkelord – Maskinlæring, Prediksjon, Norsk økonomisk vekst

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit
 

 

Browse

ArchiveCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsDocument TypesJournalsThis CollectionBy Issue DateAuthorsTitlesSubjectsDocument TypesJournals

My Account

Login

Statistics

View Usage Statistics

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit