Learning Time-Varying Forecast Combinations

Antoine Mandel (1, 2) , Amir Sani (1, 2)

1 CES - Centre d'économie de la Sorbonne
2 PSE - Paris School of Economics

Non-parametric forecast combination methods choose a set of static weights to combine over candidate forecasts as opposed to traditional forecasting approaches, such as ordinary least squares, that combine over information (e.g. exogenous variables). While they are robust to noise, structural breaks, inconsistent predictors and changing dynamics in the target variable, sophisticated combination methods fail to outperform the simple mean. Time-varying weights have been suggested as a way forward. Here we address the challenge to “develop methods better geared to the intermittent and evolving nature of predictive relations” in Stock and Watson (2001) and propose a data driven machine learning approach to learn time-varying forecast combinations for output, inflation or any macroeconomic time series of interest. Further, the proposed procedure “hedges” combination weights against poor performance to the mean, while optimizing weights to minimize the performance gap to the best candidate forecast in hindsight. Theoretical results are reported along with empirical performance on a standard macroeconomic dataset for predicting output and inflation.

Les méthodes non-paramétriques de combinaison de prédicteurs déterminent un vecteur statique de poids pour combiner les prédicteurs. Elles différent ainsi des méthodes de prévision traditionnelles qui visent à combiner l'information (i.e. les variables exogènes). Bien qu'elles soient très robustes, notamment au bruit, aux changements structurels ou à la présence de prédicteurs inconsistants, les méthodes de combinaison complexes n'offrent généralement pas une performance supérieure à celle de la simple moyenne. L'usage de poids variables dans le temps est considéré comme une nouvelle voie de recherche prometteuse face à ce dilemme. Dans cet article, nous développons cette approche en proposant une approche par l'apprentissage statistique du problème de la détermination de combinaisons de prédicteurs évoluant dans le temps pour l'inflation, le PIB ou tout autre série macro-économique. La méthode proposée permet en particulier de garantir, au pire, une performance proche de celle de la moyenne tout en optimisant les poids de telle sorte que la performance soit proche de celle de la meilleure combinaison à posteriori. Nous reportons à cet effet des résultats théoriques et empiriques sur un ensemble de données standard pour la prédiction macro-économique.

Mots clés: Forecast combinations; Machine Learning; Econometrics; Forecasting; Forecast Combination Puzzle

Mots clés: Apprentissage statistique; Combinaison de prédicteurs; Econométrie

Domaines: Economies et finances; Sciences de l'information et de la communication; Méthodes et statistiques

Antoine Mandel, Amir Sani. Learning Time-Varying Forecast Combinations. 2016. ⟨halshs-01317974v2⟩