Моделирование влияния инфляции с использованием анализа временных рядов

Описание: Данный анализ демонстрирует, как моделировать и прогнозировать инфляцию в США, используя исторические экономические данные из FRED, методы анализа временных рядов, машинное обучение и индикаторы финансовых рынков. Он начинается с преобразования данных по индексу потребительских цен (ИПЦ) в ежемесячные и годовые показатели инфляции, а затем использует модель SARIMA для прогнозирования будущей инфляции, оценивая точность прогноза с помощью показателей MAE и RMSE. Проект выходит за рамки простого прогнозирования, включая несколько показателей инфляции, в том числе ИПЦ, базовый ИПЦ, PCE, базовый PCE и PPI, чтобы обеспечить более полное представление о динамике инфляции. Инфляционные режимы определяются и классифицируются по категориям, таким как дефляция, низкая инфляция, умеренная инфляция, высокая инфляция и экстремальная инфляция, для лучшего понимания экономических условий во времени. Многочисленные визуализации, включая тепловые карты, диаграммы режимов, наложения рецессий и сравнения инфляции и федеральных фондов, помогают выявить исторические закономерности и макроэкономические взаимосвязи. Затем модели машинного обучения, такие как Random Forest и XGBoost, используются для прогнозирования будущей инфляции и сравниваются с моделью SARIMA, чтобы определить, какой подход показывает наилучшие результаты. Анализ важности признаков и SHAP-анализ выявляют макроэкономические переменные, оказывающие наибольшее влияние на прогнозы будущей инфляции. Анализ также изучает, как различные классы активов, включая SPY, QQQ, TLT, GLD и XLE, исторически демонстрировали себя в различных инфляционных режимах, и использует эти взаимосвязи для построения портфеля с учетом инфляции. Разрабатывается, тестируется и сравнивается с эталонной стратегией «купи и держи» SPY инвестиционная стратегия, основанная на правилах, чтобы оценить, может ли адаптация распределения активов к инфляционным условиям улучшить результаты. Наконец, проект объединяет статистическое прогнозирование, прогнозы машинного обучения, анализ режимов и построение портфеля в комплексную структуру для понимания инфляционного риска и принятия более обоснованных инвестиционных решений.