| SYS | | 0315410 |
|---|
| LBL | | 00000naa--22^^^^^---450- |
|---|
| 005 | | 20260312103348.8 |
|---|
| 017 | 70 | $a 10.18267/j.pep.898 $2 DOI |
|---|
| 100 | | $a 20260312a2025łłłłm--y0sloc0103----ba |
|---|
| 101 | 0- | $a eng $d eng |
|---|
| 102 | | $a CZ |
|---|
| 200 | 1- | $a Do Machine Learning Techniques Outperform Autoregressive Distributed Lag Models in Inflation Forecasting? $f Bogdan Oancea, Mihaela Simionescu, Richard Pospíšil |
|---|
| 330 | | $a Po pandémii Covid-19 čelilo Rumunsko a ďalšie krajiny strednej a východnej Európy (SVE) jednej z najvyšších mier inflácie v Európskej únii, čo vyvolalo naliehavú potrebu presných krátkodobých prognóz pre usmerňovanie menovej politiky. Štúdia porovnáva moderné metódy strojového učenia (ML) – neurónové siete s dlhou krátkodobou pamäťou (LSTM), náhodné lesy (RF) a podpornú vektorovú regresiu (SVR) – s tradičnými autoregresívnymi modelmi s distribuovaným oneskorením (ARDL) pri prognózovaní Harmonizovaného indexu spotrebiteľských cien. S využitím štvrťročných údajov pre Rumunsko (2006Q1 – 2023Q4) a mesačných údajov pre deväť ekonomík SVE (2006M1 – 2025M3) autori do analýzy zahrnuli ukazovatele nezamestnanosti a sentimentu odvodené zo správ Rumunskej centrálnej banky a Indexu ekonomického sentimentu (ESI) Európskej komisie. Zistenia zdôrazňujú, že hoci pokročilé ML modely dokážu zachytiť nelineárnu dynamiku a zmeny režimov, tradičné ekonometrické nástroje stále poskytujú cennú robustnosť, najmä v kontextoch riadených sentimentom. Celkovo integrácia strojového učenia, ekonometrických prístupov a analýzy sentimentu ponúka spoľahlivejší súbor nástrojov na krátkodobé prognózovanie inflácie v podmienkach ekonomickej neistoty. |
|---|
| 463 | -1 | $1 001 eu_un_cat*0315267 $1 011 $a 2336-730X $1 200 1 $a Prague Economic Papers $e Reviewed Scientific Journal of Economics, Financial Economics and Financial Markets Dealing with Modelling and Empirical Analysis $v Vol. 34, no. 4 (2025), pp. 495-558 $1 210 $a Prague $c Prague University of Economics and Business $d 2025 |
|---|
| 541 | 1- | $a Prekonávajú techniky strojového učenia autoregresívne modely s distribuovaným oneskorením v predpovedaní inflácie? |
|---|
| 610 | 1- | $9 eu_un_auth*h0004828 $a predvídanie |
|---|
| 610 | 1- | $9 eu_un_auth*h0002448 $a inflácia |
|---|
| 610 | 1- | $9 eu_un_auth*0084077 $a učenie strojové |
|---|
| 610 | 1- | $9 eu_un_auth*0054050 $a modely autoregresné |
|---|
| 610 | 1- | $9 eu_un_auth*h0005064 $a prognózy |
|---|
| 610 | 1- | $9 eu_un_auth*h0004440 $a politika menová |
|---|
| 610 | 1- | $9 eu_un_auth*h0002048 $a Európska únia |
|---|
| 700 | -1 | $3 eu_un_auth*0084416 $a Oancea $b Bogdan $4 070 |
|---|
| 701 | -1 | $3 eu_un_auth*0054843 $a Simionescu $b Mihaela $4 070 |
|---|
| 701 | -1 | $3 eu_un_auth*0069558 $a Pospíšil $b Richard $4 070 |
|---|
| 801 | -0 | $a SK $b BA004 $c 20260312 $g AACR2 |
|---|
| T85 | | $x existuji fulltexy |
|---|
