Luca Alfieri kaitseb doktoritööd „Forecasting business cycles and financial crises with machine learning“

19. mail kell 14.00 kaitseb Luca Alfieri majandusteaduse erialal doktoritööd „Forecasting business cycles and financial crises with machine learning“ („Majandustsüklite ja finantskriiside prognoosimine masinõppe abil“).

Juhendajad:
kaasprofessor Jaan Masso, Tartu Ülikool
kaasprofessor Lenno Uusküla, Tartu Ülikool

Oponendid:
kaasprofessor Christian Brownlees, Pompeu Fabra Ülikool (Hispaania)
Dmitry Kulikov, Eesti Pank

Kokkuvõte
Doktoritöö uurib masinõppe meetodite rakendamist makromajanduslike näitajate prognoosimises, keskendudes äritsüklite ja süsteemsete finantskriiside ennustamisele. Uuring ühendab kaks perspektiivi – andmepõhise meetodi, mis kasutab suurt hulka muutujaid mittelineaarsete mustrite tabamiseks majandusnäitajates, ning teooriapõhise lähenemise, mis valib muutujaid mudelitesse makroökonoomika teoreetiliste põhimõtete alusel –, kombineerides teooriapõhist muutujate valikut puhtalt andmetest tuvastatud ulatusliku ennustajate (nt kriisieelsete märkide) kogumiga.

Uurimus rõhutab tasakaalustamata andmete käsitlemise, asjakohaste tunnuste valiku ja mittelineaarsuste arvesse võtmise tähtsust masinõppe mudelite rakendamisel. Tulemused viitavad sellele, et võimendamis-meetodid võivad suurte andmekogumite puhul olla tõhusad, kuid need nõuavad hoolikat ettevalmistust, eriti kui andmete maht on piiratud. Doktoritöö toob esile ka ajalooliste andmete põhjal kriiside ennustamise keerukuse ning rõhutab vajadust edasiste uuringute järele mudelite optimeerimise vallas.

Doktoritöö demonstreerib, kuidas masinõpe saab täiustada makromajanduslike näitajate prognoosimist, ühendades kaasaegseid masinõppetehnikaid traditsiooniliste ökonomeetriliste lähenemistega. Samuti rõhutatakse töös andmete ja kasutatavate meetodite kriitiliselt hindamise tähtsust tagamaks, et masinõppemudelid täiendaksid, mitte ei asendaks traditsioonilisi ökonomeetrilisi meetodeid. Kuigi suurandmete valdkonna areng on suurendanud masinõppe atraktiivsust, ei ole mõistlik sellele pimesi toetuda ega traditsioonilisi meetodeid kõrvale heita. Selle asemel annavad masinõppemudelid parimaid tulemusi traditsiooniliste ökonomeetriliste tehnikatega kombineerituna. Mõlemal on ühised statistilised alused, mistõttu on paljud uued meetodid traditsioonilistega lähemalt seotud kui esialgu tunduda võib.

Kaitsmine toimub Narva mnt 18–1018 ja veebis.