| dc.description.abstract | Hvordan det går med økonomien er noe som aktører i finans, bedrifter og det offentlige tjener på å vite så fort som mulig. Blant de viktigste makrotallene er veksten i bruttonasjonalprodukt, som viser verdien av alt som produseres i et land over en periode, minus varer og tjenester som blir brukt under denne produksjonen. Det er en indikator for et lands samlede verdiskaping, og gir uttrykk for opptjent bruttoinntekt for innenlands produksjon. En endring i BNP-vekst har stor betydning for befolkingens optimisme rundt deres fremtidige økonomiske situasjon, arbeidsledighet, finanspolitikk og pengepolitikk. Det er nødvendig å kjenne økonomiens tilstand og utvikling for å tilrettelegge stabiliserende tiltak til rett tid. I denne oppgaven tester vi om, og hvordan maskinlæring kan bidra til å forbedre prediksjoner på inneværende kvartals BNP-vekst over ulike tidspunkt i perioden. Vi vurderer treffsikkerheten til tre maskinlæringsmodeller opp mot tre tradisjonelle på et datasett med over 120 tidsserier, ved å predikere BNP-vekst for fastlands-Norge. Funnene i denne oppgaven er tredelt, først finner vi at maskinlæringsmetoder ikke nødvendigvis er bedre enn tradisjonelle metoder, men at prediksjon kan forbedres ved å inkorporere maskinlæringsmodeller med andre mye brukte modeller innen litteraturen, i en samlemodell. For det andre finner vi at å slå sammen modellene med vekting basert på historisk treffsikkerhet ikke nødvendigvis gir bedre prediksjonsevne enn et enkelt gjennomsnitt. Når vi evaluerer samlemodellenes prediksjonsevne på ulike tidspunkt, oppdager vi også at den optimale kombinasjonen av modeller og vekting varierer med hvilke makrovariabler som er nylig publisert, og prediksjonshorisont. | en_US |
