Loading...
Publication
Predicting economic recessions using machine learning an analysis of macroeconomic indicators
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5.59 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Economic recessions have profound implications on the social cohesion and overall well-being of society. Despite their declining frequency and duration in recent decades, recessions remain a recurring phenomenon in both advanced and emerging economies. Traditional econometric approaches, while valuable, often struggle to account for the multifaceted and nonlinear interactions between macroeconomic variables that drive recessionary dynamics. This dissertation examines how different machine learning models behave in the context of forecasting the occurrence of economic recessions in the U.S. economy. For this purpose, several macroeconomic series from the U.S. economy were collected from the FRED-QD database. Feature selection strategies, such as Pearson correlation and Principal Component analysis, were applied to address issues of high dimensionality, and a range of statistical and machine learning model, including SARIMAX, Linear Regression, Random Forest and XGBoost were implemented and tested across three historical recession periods (1973-1976, 1980-1983 and 2007-2010). The results show that SARIMAX and Linear Regression consistently outperform
the other models across the three different testing periods. Furthermore, the findings emphasize the importance of feature selection strategy, with Pearson Correlation filtering enabling improved predictive performance when compared with other strategies.
As recessões económicas têm implicações profundas na coesão e bem-estar social. Apesar da sua frequência e duração terem diminuído nas últimas décadas, continuam a ser um fenómeno recorrente tanto em economias avançadas como emergentes. Os modelos econométricos tradicionais, embora relevantes, revelam limitações na capacidade de captar as interações complexas e não lineares entre variáveis macroeconómicas, que estão na origem de recessões económicas. O trabalho desenvolvido nesta dissertação tem como principal foco a análise e comparação do desempenho de diferentes abordagens de aprendizagem automática no contexto da previsão da ocorrência de recessões económicas, em particular, no contexto da economia dos Estados Unidos da América. Para este efeito, vários indicadores macroeconómicos, referentes a várias categorias da economia americana, foram recolhidos do repositório de dados da Reserva Federal de St.Louis (FRED), desde 1959 até 2024. Após uma análise estatística detalhada e a definição de diferentes estratégias de seleção de variáveis, como por exemplo, Correlação de Pearson e Análise de Componentes Principais (PCA), foram implementados e avaliados modelos estatísticos e de aprendizagem automática em três diferentes períodos específicos de recessão da economia americana: 1973-1976, 1980-1983 e 2007-2010. Os resultados obtidos demonstram que os modelos SARIMAX e Regressão Linear apresentaram um melhor desempenho em relação aos restantes modelos. Para além disto, verificaram-se melhorias significativas no desempenho dos modelos, quando se aplicam estratégias de seleção de variáveis, com especial enfoque na estratégia de Correlação de Pearson. Em resumo, a presente dissertação contribui para o avanço na investigação na área de previsão de recessões económicas, através de uma comparação metodológica entre diversos tipos de modelos estatísticos e de aprendizagem automática, no contexto específico de três períodos históricos de recessão na economia americana.
As recessões económicas têm implicações profundas na coesão e bem-estar social. Apesar da sua frequência e duração terem diminuído nas últimas décadas, continuam a ser um fenómeno recorrente tanto em economias avançadas como emergentes. Os modelos econométricos tradicionais, embora relevantes, revelam limitações na capacidade de captar as interações complexas e não lineares entre variáveis macroeconómicas, que estão na origem de recessões económicas. O trabalho desenvolvido nesta dissertação tem como principal foco a análise e comparação do desempenho de diferentes abordagens de aprendizagem automática no contexto da previsão da ocorrência de recessões económicas, em particular, no contexto da economia dos Estados Unidos da América. Para este efeito, vários indicadores macroeconómicos, referentes a várias categorias da economia americana, foram recolhidos do repositório de dados da Reserva Federal de St.Louis (FRED), desde 1959 até 2024. Após uma análise estatística detalhada e a definição de diferentes estratégias de seleção de variáveis, como por exemplo, Correlação de Pearson e Análise de Componentes Principais (PCA), foram implementados e avaliados modelos estatísticos e de aprendizagem automática em três diferentes períodos específicos de recessão da economia americana: 1973-1976, 1980-1983 e 2007-2010. Os resultados obtidos demonstram que os modelos SARIMAX e Regressão Linear apresentaram um melhor desempenho em relação aos restantes modelos. Para além disto, verificaram-se melhorias significativas no desempenho dos modelos, quando se aplicam estratégias de seleção de variáveis, com especial enfoque na estratégia de Correlação de Pearson. Em resumo, a presente dissertação contribui para o avanço na investigação na área de previsão de recessões económicas, através de uma comparação metodológica entre diversos tipos de modelos estatísticos e de aprendizagem automática, no contexto específico de três períodos históricos de recessão na economia americana.
Description
Keywords
Prediction Economic Recession Machine Learning AI Previsão Recessão económica Aprendizagem automática Inteligência Artificial