hrvatski

Identifikacija strukture neuronske mreže u mjerenju očekivane inflacije

Neuronske mreže (NM) je prikladno koristiti u analizi vremenskih nizova u uvjetima narušenih pretpostavki, tj. u uvjetima „nenormalnosti“ i nelinearnosti. Svrha rada je istražiti nedostatke NM te predložiti načine kojima se ti nedostaci mogu otkloniti s ciljem identifikacije strukture NM koja će se najbolje prilagoditi inflacijskim očekivanjima. Polazi se od teorijskog modela koji uključuje karakteristike inflacije potražnje i inflacije troškova. Pri tom se koriste varijable tržišta rada, financijske varijable, eksterni faktori te inflacija iz prethodnog razdoblja. Istraživanje se provodi na agregiranoj razini zemalja euro zone u periodu od siječnja 1999. do siječnja 2017. godine. Na temelju procijenjenih 90 jednosmjernih NM i 450 Jordanovih NM, koje se razlikuju u promjenjivim parametrima (broj iteracija, stopa učenja, interval početnih vrijednosti težina, broj skrivenih neurona, vrijednost težine kontekstne jedinice), dobiveni su pokazatelji prikladnosti za svaku NM (prosječna kvadratna pogreška - MSE i Akaikeov informacijski kriterij - AIC) koji se odnose na dva perioda: „unutar uzorka“ (engl. in the sample) i „izvan uzorka“ (engl. out of sample). Istovremeno rangiranje NM na poduzorcima „in-the-sample“ i „out-of-sample“ bilo prema MSE ili prema AIC ne dovodi do podudarnosti rangova i odabira prikladne NM jer najbolja NM na poduzorku „in-the-sample“, na temelju kriterija MSE i/ili AIC, često daje na poduzorku „out-of-sample“ visoke vrijednosti oba pokazatelja prikladnosti, i obrnuto. Stoga, da bi se došlo do najboljeg kompromisnog rješenja koristi se PROMETHEE metoda za odabir prikladne NM. Usporedbom „najbolje“ jednosmjerne – FNN(4, 5, 1) i „najbolje“ Jordanove NM – JNN(4, 3, 1) zaključuje se da je u približno jednakim uvjetima potrebno manje neurona u skrivenom sloju Jordanove NM (3) u odnosu na jednosmjernu (5), čime se potvrđuje da je Jordanova NM parsimonijska u odnosu na jednosmjernu, uz ne postojanje problema predeterminiranosti modela. Na taj način se dokazuje prva pomoćna hipoteza. Također, odabrana Jordanova NM ima bolju prediktivnu sposobnost u odnosu na jednosmjernu, čime se potvrđuje i druga pomoćna hipoteza istraživanja. Konačno se analizira konvergencija kamatnih stopa, uključivanjem inflatornih očekivanja procijenjenih Jordanovom NM u preformulirani oblik Taylorovog pravila.

euro zona ; jednosmjerna neuronska mreža ; Jordanova neuronska mreža ; konvergencija kamatnih stopa ; očekivana inflacija ; Taylorovo pravilo

nije evidentirano