Dissertação

{en_GB=Ensemble of Machine Learning Algorithms for Economic Recession Detection} {} EVALUATED

{pt=Este trabalho pretende resolver uma das questões mais ambicionadas em economia, prever quando ocorrerá uma recessão económica. O estudo usa a economia dos Estados Unidos da América para desenvolver suas propostas, uma vez que esta continua a ser economia mais poderosa do mundo. Pretende-se resolver este problema usando vários indicadores macroeconómicos e aplicando algoritmos de Aprendizagem Automática. Foram utilizados três algoritmos, a Regressão Logística, um algoritmo linear, e dois algoritmos não-lineares, o Random Forest Classifier e o XGBoost. Também foi utilizada uma média ponderada destes três algoritmos para melhorar os seus resultados. Este trabalho provou que com estes modelos, e com algumas transformações nos sinais macroeconómicos e de recessão, é possível prever recessões com até dezoito meses de antecedência e com alta precisão. As melhores previsões foram obtidas usando a Média dos Modelos, onde acima de 50% de probabilidade os resultados mostram quantidades residuais de falsos positivos. Estes resultados foram testados usando as datas de recessão do NBER e com métricas, como o F1-Score, e a curva COR com a ASC., en=This work intends to solve one of the most desired questions in economics, predicting when an economic recession will happen. The study uses the United States of America economy to develop its propositions since it remains the most powerful economy in the world. It intends to solve this problem by using several macroeconomic indicators and applying Machine Learning algorithms to them. Three algorithms were used, the linear Logistic Regression and two nonlinear algorithms, the Random Forest Classifier and the XGBoost. Also used was an equally weighted average of these three algorithms to improve on their results. This work proved that with these models, with some transformations to the macroeconomic and recession signals, it is possible to predict recessions up to eighteen months in advance and with high accuracy. The best predictions were obtained using the Models’ Average, where above 50% of probability the results show residual amounts of false positives. These results were tested using the NBER recession dates and metrics such as the F1-Score, and the ROC curve with its AUC.}
{pt=Recessão, Estados Unidos da América, Aprendizagem Automática, Regressão Logística, Random Forest, XGBoost, en=Recession, Unites States of America, Machine Learning, Logistic Regression, Random Forrest, XGBoost}

Novembro 14, 2018, 15:30

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar