Performance of Ensemble Methods for Economic Forecasting: Evaluating Bagging in Predicting House Price Index
| Thesis title: | Performance of Ensemble Methods for Economic Forecasting: Evaluating Bagging in Predicting House Price Index |
|---|---|
| Author: | Pilipas, Oleksandr |
| Thesis type: | Bachelor thesis |
| Supervisor: | Frýd, Lukáš |
| Opponents: | Kavřík, Dominik |
| Thesis language: | English |
| Abstract: | This thesis examines ensemble learning, particularly bagging, for forecasting the UK Housing Price Index (HPI) using quarterly data from 1968–2024, harmonized and second-order dif- ferenced for stationarity. A rolling expanding-window compares ARIMA, Bagged ARIMA, MLP, Bagged MLP, LSTM, and Random Forest across one- to four-quarter horizons using MAE and RMSE. Results show bagged neural nets markedly reduce variance and enable uncertainty quantification; ARIMA remains most accurate short-term, while deep ensembles improve longer-horizon predictions. The contribution includes a uniform evaluation frame- work and analysis of the accuracy–complexity–cost trade-off. |
| Keywords: | House Price Index; Ensemble learning; Time series forecasting; Bagging |
| Thesis title: | Výkonnost ansámblových metod pro ekonomické predikce: Hodnocení baggingu při predikci indexu cen nemovitostí |
|---|---|
| Author: | Pilipas, Oleksandr |
| Thesis type: | Bakalářská práce |
| Supervisor: | Frýd, Lukáš |
| Opponents: | Kavřík, Dominik |
| Thesis language: | English |
| Abstract: | Práce zkoumá využití ansámblových metod, zejména baggingu, pro predikci indexu cen bydlení ve Spojeném království (HPI). Využívá čtvrtletní data 1968–2024, harmonizovaná do jednotné frekvence a transformovaná druhým řádem rozdílů k dosažení stacionarity. V rozšiřovaném posuvném okně jsou porovnány modely ARIMA, bagged ARIMA, MLP, bagged MLP, LSTM a Random Forest na predikce s horizonty 1–4 čtvrtletí pomocí MAE a RMSE. Výsledky ukazují, že bagging neuronových sítí výrazně snižuje varianci a umožňuje kvan- tifikaci nejistoty, přičemž ARIMA je stále nejpřesnější v krátkém horizontu, zatímco hluboké ansámbly zlepšují dlouhodobé prognózy. Studie přináší jednotný hodnoticí rámec a analýzu kompromisu mezi přesností, složitostí a náročností výpočtu. |
| Keywords: | Ansámblové učení; Časové řady; Bagging; Index cen bydlení, |
Information about study
| Study programme: | Data Analytics |
|---|---|
| Type of study programme: | Bakalářský studijní program |
| Assigned degree: | Bc. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Econometrics |
Information on submission and defense
| Date of assignment: | 30. 1. 2024 |
|---|---|
| Date of submission: | 8. 12. 2025 |
| Date of defense: | 23. 6. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/85804/podrobnosti |