Nowcasting makroekonomických ukazovateľov

Cílem diplomové práce je prozkoumat možnosti nowcastingu vybraných makroekonomických ukazatelů pro Českou republiku s využitím vysokofrekvenčních dat a autoregresního MIDAS modelu a zjistit jejich přínos do celkové predikční schopnosti modelů. Práce se zaměřuje na nowcasting HDP, inflace a míry nezaměstnanosti, které jsou zveřejňovány s časovým zpožděním. V teoretické části jsou rozebrány metodologické přístupy k modelům nowcastingu z hlediska teorie a praxe. V empirické části jsou konstruovány AR(1) MIDAS modely kombinující kvartální, měsíční a týdenní časové řady. Kromě tradičních makroekonomických indikátorů z ČSÚ nebo ARADu jsou do modelů zahrnuty i alternativní vysokofrekvenční indikátory získané z Google Trends, které zachycují chování ekonomických subjektů v reálném čase. Pro zajištění konzistentnosti dat jsou jednotlivé časové bloky Google Trends přeškálovány pomocí překrývajících se období. Ostatní data jsou pomocí diferencí nebo logaritmických diferencí převedena do stacionární podoby a v případě potřeby sezónně a kalendářně očištěna. Kvalita nowcastingových modelů je hodnocena prostřednictvím rolling out-of-sample analýzy s využitím metrických ukazatelů RMSE a MAE, přičemž zvláštní pozornost je věnována beta parametrům a přínosu vysokofrekvenčních proměnných k predikční výkonnosti modelu.

The aim of the diploma thesis is to examine the possibilities of nowcasting of selected macroeconomic indicators for the Czech Republic using high-frequency data and the autoregressive MIDAS model, and to determine their contribution to the overall predictive ability of the models. The work focuses on nowcasting of GDP, inflation and unemployment rate, which are published with a time delay. The theoretical part discusses methodological approaches to nowcasting models, from the perspective of theory and practice. The empirical part constructs AR(1) MIDAS models combining quarterly, monthly and weekly time series. In addition to traditional macroeconomic indicators from the Czech Statistical Office or ARAD, alternative high-frequency indicators obtained from Google Trends are also included in the models, which capture the behavior of economic entities in real time. To ensure data consistency, individual time blocks of Google Trends are rescaled using overlapping periods. Other data are converted to stationary form using differences or logarithmic differences and, if necessary, seasonally and calendar-adjusted. The quality of nowcasting models is assessed through rolling out-of-sample analysis using the RMSE and MAE metrics, with special attention paid to the stability of the estimated betas and the contribution of high-frequency variables to the model's predictive performance.