توضیحات
ABSTRACT
The macroeconomic climate influences operations with regard to, e.g., raw material prices, financing, supply chain utilization and demand quotas. In order to adapt to the economic environment, decision-makers across the public and private sectors require accurate forecasts of the economic outlook. Existing predictive frameworks base their forecasts primarily on time series analysis, as well as the judgments of experts. As a consequence, current approaches are often biased and prone to error. In order to reduce forecast errors, this paper presents an innovative methodology that extends lag variables with unstructured data in the form of financial news: (1) we apply a variety of models from machine learning to word counts as a high- dimensional input. However, this approach suffers from low interpretability and overfitting, motivating the following remedies. (2) We follow the intuition that the economic climate is driven by general sentiments and suggest a projection of words onto latent semantic structures as a means of feature engineering. (3) We propose a semantic path model, together with estimation technique based on regularization, in order to yield full interpretability of the forecasts. We demonstrate the predictive performance of our approach by utilizing 80,813 ad hoc announcements in order to make long-term forecasts of up to 24 months ahead regarding key macroeconomic indicators. Back-testing reveals a considerable reduction in forecast errors.
INTRODUCTION
Macroeconomic developments, such as cyclic downturns or the economic circumstances associated with the U. S. subprime crisis, affect firm operations in multiple ways and represent direct challenges to management (e. g. Demyanyk & Hasan, 2010; Goudie & Meeks, 1982). Examples include changes in the price of goods and raw materials, as well as the impact on overall demand, supply chain utilization and even operational processes (Xu, Pinedo ,& Xue, 2017). Therefore, firms are interested in foreseeing the future economic climate in order to manage operations accordingly and hedge potential risks. In this context, operational research (OR) has a long tradition of addressing such risks (Demyanyk & Hasan, 2010). Our discipline has thus contributed to anticipating a variety of developments at a macroeconomic level, including financial distress (Geng, Bose, & Chen, 2015), liquidity risks (Shaik, 2015), credit risks (Akkoç, 2012; Desai, Crook, & Overstreet, 1996), finan- cial crises (Demyanyk & Hasan, 2010; Huang, Kou, & Peng, 2017), currency crises (Sevim, Oztekin, Bali, Gumus, & Guresen, 2014) and bankruptcy (Du Jardin, 2015; McKee & Lensberg, 2002; Sun & Shenoy, 2007), especially in the financial sector (Tam & Kiang, 1992) .
چکیده
آب و هوای اقتصاد کلان عملیات را با توجه به، مانند قیمت مواد اولیه، تامین مالی، استفاده از زنجیره تامین و تقاضای تقاضا، تحت تأثیر قرار می دهد. به منظور انطباق با محیط اقتصادی، تصمیم گیرندگان در بخش های عمومی و خصوصی نیاز به پیش بینی دقیق چشم انداز اقتصادی دارند. چارچوب پیش بینی های موجود، پیش بینی های خود را اساسا بر تحلیل های سری زمانی، و همچنین قضاوت کارشناسان، پیش بینی می کنند. در نتیجه، رویکردهای فعلی اغلب بی اعتبار و مستعد خطا هستند. به منظور کاهش اشتباهات پیش بینی شده، این مقاله یک روش نوآورانه ارائه می دهد که متغیرهای تاخیر را با داده های غیر ساختاری در قالب اخبار مالی گسترش می دهد: (1) مدل های مختلفی را از یادگیری ماشین به شمارش کلمه به عنوان یک ورودی با ابعاد بزرگ اعمال می کنیم. با این حال، این رویکرد از تفسیری کم و بیش از حد تأثیر می گیرد، و انگیزه روش های زیر را دارد. (2) ما از شهود پیروی می کنیم که محیط زیست اقتصادی به واسطه احساسات عمومی هدایت می شود و نشان می دهد که طرح هایی از کلمات به ساختار معنایی نهفته به عنوان وسیله ای از تکنیک های ویژگی. (3) ما یک مدل مسیر معناشناختی همراه با تکنیک برآورد مبتنی بر تنظیم را پیشنهاد می کنیم تا تفسیر کامل از پیش بینی ها را انجام دهیم. ما عملکرد پیش بینی شده رویکرد ما را با استفاده از 80،813 آگهی تبلیغاتی نشان می دهیم تا پیش بینی های طولانی مدت در مورد شاخص های کلیدی اقتصاد کلان را پیش بینی کنیم. تست برگشت نشان می دهد کاهش قابل توجهی در خطاهای پیش بینی شده است.
مقدمه
تحولات اقتصاد کلان مانند رکود چرخه ای یا شرایط اقتصادی مرتبط با بحران کمیته ی U. S تاثیر بر فعالیت های شرکت را به روش های مختلف و نشان دهنده چالش های مستقیم مدیریت می باشد (به عنوان مثال Demyanyk & Hasan، 2010؛ Goudie & Meeks، 1982). مثالها شامل تغییر قیمت کالاها و مواد خام، و همچنین تأثیر تقاضای کلی، استفاده از زنجیره تامین و حتی عملیات عملیاتی (Xu، Pinedo، & Xue، 2017) می باشد. بنابراين، شركت ها علاقه مند به پيش بيني شرايط آب و هواي آينده در آينده هستند تا از طريق مديريت عمليات و ريسك بالقوه حمايت كنند. در این زمینه، تحقیقات عملیاتی (OR) یک سنت طولانی برای رفع چنین خطراتی دارد (Demyanyk & Hasan، 2010). بنابراین رشته ما در پیشبرد تحولات مختلف در سطح اقتصاد کلان، از جمله نارضایتی مالی (Geng، Bose، & Chen، 2015)، خطرات نقدینگی (Shaik، 2015)، خطرات اعتباری (Akkoç 2012؛ Desai، Crook، & بحران مالی (Sevim، Oztekin، Bali، Gumus، & Guresen، 2014) و ورشکستگی (Du Jardin، 2015)؛ بحران های مالی (Demyany & Hasan، 2010؛ Huang، Kou & Peng، 2017)؛ بحران ارز McKee & Lensberg، 2002؛ Sun & Shenoy، 2007)، به ویژه در بخش مالی (Tam & Kiang، 1992).
Year: 2019
Publisher : ELSEVIER
By : Stefan Feuerriegel , Julius Gordon
File Information: English Language/ 14 Page / size: 666 KB
سال : 1398
ناشر : ELSEVIER
کاری از : استفان Feuerriegel، جولیوس گوردون
اطلاعات فایل : زبان انگلیسی / 14 صفحه / حجم : KB 666
نقد و بررسیها
هنوز بررسیای ثبت نشده است.