Nonlinear forecasting using a large number of predictors

L’obiettivo principale di questa tesi è di introdurre un modello non lineare, “Feedforward Neural Network-Dynamic Factor” (FNN-DF), per la previsione di serie macroeconomiche utilizzando un numero elevato di variabili. La tecnica usata per riassumere le variabili in un piccolo numero di fattori è il “Generalized Dynamic Factor Model” (GDFM), mentre le reti neurali di tipo “Feedforward” sono utilizzate per rappresentare la non-linearità. Comunemente nella letteratura del GDFM, le previsioni sono effettuate con modelli lineari. Tuttavia tali tecniche spesso non sono correttamente specificate e le previsioni risultanti forniscono soltanto un’approssimazione alla migliore previsione possibile. Nel tentativo di ottener previsioni più accurate, il modello FNN-DF è stato introdotto. Per determinare l'utilità pratica del modello, sono stati svolti diversi esercizi di previsione per otto variabili mensili dell'economia degli Stati Uniti per differenti orizzonti previsivi a 1-, 3 -, 6 -, 9 e 12 mesi. I fattori sono stati stimati utilizzando un data set di 131 variabili mensili dell’economia degli Stati Uniti. Lo studio empirico mostra che il modello FNN-DF ha buone capacità di prevedere le variabili oggetto di studio soprattutto nel periodo antecedente l’inizio della “Great Moderation”, cioè il 1984. In seguito il FNN-DF ha la stessa accuratezza in previsione rispetto al modello di riferimento.This dissertation aims to introduce a nonlinear model to forecast macroeconomic time series using a large number of predictors, namely the Feedforward Neural Network - Dynamic Factor Model (FNN-DF). The technique used to summarize the predictors in a small number of factors is Generalized Dynamic Factor Model, while the method used to capture nonlinearity is artificial neural networks, specifically Feedforward Neural Network. Commonly in GDFM literature, forecasts are made using linear models. However linear techniques are often misspecified and the resulting forecasts provide only a poor approximation to the best possible forecast. In an effort to address this issue, the technique we propose is FNN-DF. To determine the practical usefulness of the model, we conducted several pseudo forecasting exercises on 8 series of the United States economy. The series we were interested in forecasting were grouped in real and nominal categories. This method was used to construct the forecasts at 1-, 3-, 6-, 9 and 12-month horizons for monthly U.S. economic variables using 131 predictors. The empirical study shows that FNN-DF has good ability to predict the variables under study in the period before the start of the "Great Moderation", namely 1984. After 1984, FNN-DF has the same accuracy in forecasting with respect to the benchmark