Essays in Econometric Forecasting with Applications to Macroeconomics and Finance

Abstract

This thesis comprises three chapters on econometric forecasting, with applications to macroeconomics and finance. The first chapter introduces a testing procedure for evaluating superior predictive ability (SPA) in unstable environments. Therefore, it allows one to detect time-varying superiority. Applied to downside risk forecasts for the U.S. economy, it reveals substantial time-varying heterogeneity in the forecasting performance of the commonly used method (a quantile regression equipped with financial conditions). In the second chapter, we present a variant of the standard SPA test that assesses the predictive ability of one particular method against many alternatives when forecasting a panel of time series. Our empirical analysis assesses the forecasting performance of the factor model against different machine learning techniques when predicting macroeconomic variables in the U.S. (FRED-MD). We find that while the factor model dominates at short horizons, yet it is surpassed by simple methods at longer horizons, with results varying across different macroeconomic categories. Finally, the third chapter proposes a hybrid model combining factor models and largedimensional regularized regressions for intra-daily volume prediction in large panels of stocks. Applied to the STOXX 600 Index, our results demonstrate its superior performance over traditional univariate models.

Esta tesis comprende tres capítulos sobre pronóstico econométrico, con aplicaciones a la macroeconomía y las finanzas. El primer capítulo presenta un procedimiento de prueba estadística para evaluar la capacidad predictiva superior (en inglés, SPA) en ambientes inestables. Por lo tanto, permite detectar si la superioridad de un modelo es variable en el tiempo. Aplicado a predicciones de riesgo a la baja para la economía de EE. UU., revela que el método comúnmente utilizado en la literatura (una regresión cuantil con condiciones financieras) presenta una heterogeneidad sustancial en el tiempo. En el segundo capítulo, presentamos una variante de la prueba estadística SPA estándar que evalúa la capacidad predictiva de un único método en contra de muchas alternativas al predecir un panel de series temporales. Nuestro análisis empírico evalúa la performance del modelo de factores contra diferentes técnicas de aprendizaje automático al predecir variables macroeconómicas en los EE. UU. (FRED-MD). Encontramos que si bien el modelo de factores domina en horizontes cortos, es superado por métodos simples en horizontes más largos, con resultados que varían entre diferentes categorías macroeconómicas. Finalmente, el tercer capítulo de le tesis propone un modelo híbrido de predicciones que combina modelos de factores y regresiones regularizadas de gran dimensión para la predicción de volumen intra-diario en grandes paneles de acciones. Aplicado al índice STOXX 600, nuestros resultados demuestran su rendimiento superior sobre modelos univariados tradicionales.