Faglig innhold

Økonomiske prognoser er et viktig verktøy i beslutningsprosesser i både offentlig og privat sektor. Dette kurset gir en grundig utforskning av teorien og de praktiske anvendelsene av prognoser, og kombinerer tradisjonelle statistiske metoder med banebrytende maskinlæringsteknikker. Ph.d.-studenter vil lære både grunnleggende og avanserte prognoseteknikker ved bruk av topp moderne verktøy, inkludert programmering i R og Python, samt økonomiske og finansielle databaser som FRED. Kurset dekker et bredt spekter av statistiske metoder og maskinlæringsteknikker for tidsserieprognoser.

Nøkkeltemaer inkluderer:

• Tidsserieprognoser: Kurset dekker viktige statistiske metoder for tidsserieprediksjon, som deskriptiv statistikk, regresjonsanalyse, ARIMA-modeller, VAR-modeller og Bayesian VAR-modeller. I tillegg vil studentene utforske avanserte modeller som VECM, TAR/STAR, regime-switching-modeller, State Space-modeller med Kalman-filtre, samt modeller for data med ulike frekvenser.
• Big Data og maskinlæring: Det legges vekt på maskinlæringsteknikker for tidsseriedata, inkludert variabelreduksjonsmetoder (f.eks. LASSO, Ridge, Elastic Net), trebaserte metoder (Random Forests, Gradient Boosting) og nevrale nettverk (RNN, CNN). Kurset dekker også teknikker for funksjonsutvalg, dimensjonsreduksjon (PCA), og probabilistisk maskinlæring, med et spesielt fokus på Bayesian Neural Networks (BNN).
• Prognoseevaluering og kombinasjon: Studentene vil lære hvordan man evaluerer prognosefeil, sammenligner punktprognoser med distribusjonsprognoser og kombinerer prognoser fra flere modeller for å forbedre prediksjonsnøyaktigheten.
• Risikostyring og finansielle prognoser: Kurset tar for seg finansielle risikomodeller, inkludert metoder som Riskmetrics, Filtered Historical Simulation, EVT, GARCH-modeller og kvantilregresjon. Studentene vil lære om Value at Risk (VaR), Expected Shortfall (ES), stresstesting og scenarioanalyse. Spesiell oppmerksomhet vil bli gitt til modellering av risikoer i finansmarkedene, inkludert bruk av copulas for komplekse risikofaktordependenser.
• Monte Carlo-simulering: Kurset dekker også Monte Carlo-simuleringsteknikker, inkludert univariate og multivariate metoder, samt anvendelser i modellering av stokastiske prosesser, kovarians, korrelasjoner og faktormodeller. Studentene vil lære hvordan man implementerer Monte Carlo-simuleringer for prognoser og risikovurdering, inkludert Least Squares Monte Carlo (LSMC) metoder.

Kurset integrerer teori med praktisk erfaring i dataanalyse og prognostisering, slik at studentene kan anvende de teknikkene de har lært på virkelige økonomiske og finansielle prognoseutfordringer. Studentene vil oppnå ferdigheter i statistisk programvare og databaser, og vil være i stand til å bygge og evaluere komplekse prognosemodeller ved bruk av både tradisjonelle metoder og maskinlæringstilnærminger. Ved slutten av kurset vil studentene ha utviklet en dyp forståelse for de statistiske og beregningsmessige metodene som brukes i moderne økonomiske prognoser og risikomodellering.

Læringsutbytte

Kandidaten vil i dette kurset erverve seg sentrale kunnskaper innen moderne prognosemetoder i økonomi og finans. Kandidaten vil få trening i å utarbeide selvstendig forelesninger på valgte tema innenfor området og presentere dette. Kandidaten vil også få trening i å lage og presentere data, metoder og implementering av disse fra kurset. Dette vil være en viktig del av den generelle doktorgradstreningen for kandidaten. Kandidaten vil også bli kjent med bruk av databaser og statistisk programvare som R og Python.

Læringsformer og aktiviteter

Kurset vil bestå av en blanding av tradisjonelle forelesninger og praktiske øvelser. Undervisningen vil være seminarbasert over 1-2 uker på høsten. Alle forelesninger blir også bli tilgjengelig digitalt.

Obligatoriske aktiviteter

• Aktiv deltakelse i forelesning

Anbefalte forkunnskaper

Grunnleggende kurs innen økonomi og finans. Generelle kunnskaper innen matematikk, statistikk og databehandling.

Kursmateriell

• Alexander, Market Risk Analysis 4 Volume books, Wiley

• Barber D., Bayesian Reasoning and Machine Learning, Cambridge University Press

• Brockwell P. J. and Davis P.A., Introduction to Time Series and Forecasting, Springer

• Christofferson P., Elements of Financial Risk Management, Academic Press

• Danielson J., Financial Risk Forecasting, Wiley

• Ghysels, E., & Marcellino, M. , Applied Economic Forecasting using Time Series Methods. Oxford University Press

• Fotis et. al, Forecasting: theory and practice, International Journal of Forecasting

• Gelman et al., Bayesian Data Analysis, Chapman and Hall

• Hamilton J., Time Series Analysis, Princeton University Press

• Hamoudia et al., Forecasting with Artificial Intelligence, Palgrave McMillan

• Hansen B., Econometrics, Princeton University Press

• Hastie et al. Elements of Statistical Learning, Springer

• Hyndman R.J. and Athanasopoulos, Forecasting Principles and Practice, Otexts

• Huang C. and Petukhina A., Applied Time Series Analysis and Forecasting with Python, Springer

• Metcalfe A.V. and Cowperwait P.S.P, Introductory Time Series with R, Springer

• Murphy, K.P., Machine Learning: A Probabilistic Perspective, MIT Press.

• Murphy, K.P., Probabilistic Machine Learning: An Introduction, MIT Press.

• Murphy, K.P., Probabilistic Machine Learning: Advanced Topics, MIT Press.

• Pfaff B., Financial Risk Modelling and Portfolio Optimization with R, Wiley

• Tsay R., Analysis of Financial Time Series, Wiley

• West and Harrison, Bayesian Forecasting and Dynamic Models, Springer

Studiepoengreduksjon