Forecasting inflation in data rich environments: the benefits of machine learning methods

Quem: 

Marcelo Medeiros

Onde: 

Praia de Botafogo, 190 - sala 317

Quando: 

16 de Novembro de 2017 às 16h

In this talk, we show how to use several Machine Learning (ML) methods to forecast US inflation in a data-rich environments. We show that ML models are more accurate than the benchmarks for several forecasting horizons both in the 1990s and the 2000s. The ML method that deserves more attention is the Random Forest, which dominates all other models in several cases. The good performance of the Random Forest suggests a nonlinearity between past employment measures and inflation.

*Texto informado pelo autor. 

Palestrante: 

Marcelo Medeiros formou-se em Engenharia Elétrica (Sistemas) pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) em 1996. Possui mestrado (1998) e doutorado (2000) em Engenharia Elétrica (ênfase em Teoria de Controle, Estatística e Otimização) também pela PUC-Rio. Em 1999/2000 estagiou durante um ano na Stockholm School of Economics com bolsa "sanduíche" e passou dois meses como pesquisador visitante no AT&T Shannon Laboratory, EUA. Atualmente é professor associado do Departamento de Economia da PUC-Rio. Tem experiência na área de Economia, com ênfase em Métodos e Modelos Matemáticos, Econométricos e Estatísticos, atuando principalmente nos seguintes temas: econometria, finanças empíricas e teoria do aprendizado estatístico (statistical learning theory). É também editor associado da Econometric Reviews, do International Journal of Forecasting e do Journal of the Japan Statistical Society. É membro do corpo editorial do Annals of Financial Economics e do novo periódico Econometrics. Foi vice-presidente da Sociedade Brasileira de Finanças (SBFin) entre 2011 e 2013 e editor associado do Journal of Economic Surveys, da Revista Brasileira de Economia e da Revista Brasileira de Finanças. Possui publicações no Journal of the American Statistical Association (JASA), Journal of Econometrics, Econometric Theory, Journal of Applied Econometrics, Econometric Reviews, Journal of Time Series Analysis, entre outros.