Descripción del proyecto
Mejorar la toma de decisiones financieras con aprendizaje automático e inferencia causal dinámica
Los datos microeconómicos y financieros son esenciales para la toma de decisiones económicas por parte de bancos centrales, inversores y responsables políticos, de modo que su disponibilidad es fundamental. En el proyecto MACROML, que cuenta con el apoyo de las acciones Marie Skłodowska Curie, se pretende allanar el camino en el ámbito de la modelización macroeconométrica tendiendo un puente entre el aprendizaje automático y la econometría tradicional. Se desarrollarán métodos vanguardistas para el análisis de la inferencia causal dinámica de datos en series temporales con grandes colas y muy persistentes, un aspecto que la literatura ha ignorado en gran medida. Se investigarán técnicas econométricas de estimación e inferencia teóricamente válidas para modelos generales de series temporales de alta dimensión, así como una metodología general para estimaciones de proyección local de alta dimensión.
Objetivo
Data lies at the heart of all economic decisions. Everyone — and especially central bankers, investors, and policymakers — processes data when making choices. Thanks to technological innovations, the speed at which (raw) data are generated and shared by businesses, public administrations, and scientific research (among others) have increased exponentially. Large amounts of data bring new opportunities and challenges to econometrics.
The literature on microeconometric methods based on statistical learning techniques has grown substantially over the last decade, yet macroeconometrics literature lacks an understanding of such methods which could be applied to answer causal inference questions. The primary goal of the macroml research project is to put forward theory-driven methods for dynamic causal inference analysis based on models typically used in the macroeconometrics literature, bridging the gap between machine learning and macroeconometric modelling. The key distinction of this project from the state-of-the-art methods is the analysis of heavy-tailed and highly persistent time series data — a critical feature that has been largely overlooked in the literature.
In particular, the research project will investigate:
I. accurate and theoretically-valid estimation and inference econometric techniques for general high-dimensional time series models;
II. a general methodology for high-dimensional local projection estimators which allows studying the dynamic causal relationship between economic time series data.
The project will enlarge policymakers’ toolbox for the analysis of macroeconomics and finance data to assess different dynamic causal hypotheses in a flexible and accurate way, thereby making it highly policy-relevant. In addition, new estimation methods of machine learning time series models will allow practitioners to implement ML techniques for time series data in a data-driven way. The project also will deliver several interesting empirical applications.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias socialeseconomía y empresaciencia económicaeconometría
- ciencias socialeseconomía y empresaciencia económicamacroeconomía
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automático
- ciencias socialesciencias políticasadministración pública
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régimen de financiación
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsCoordinador
2000 Frederiksberg
Dinamarca