Inflation affects many economic processes, and it is therefor crucial for economic agents to have reliable forecasts of it. In this thesis, single hidden layer feedforward artificial neural networks were used to predict the year-on-year consumer price index inflation rate in Sweden for the period 2013-01-01 – 2016-06-30. Separate networks were estimated for each prediction horizon, ranging from 1 to 24 months. The root mean square errors were computed for each horizon, which were then compared with the predictions issued by the Riksbank and two linear models (Autoregressive Moving Average and Autore- gressive) for the same period. The results show that the networks outperform the Riksbank’s predictions on 1–5 and 11–24 months, the ARMA model on 1–5 and 9–24 months, and the AR model on 1, 3, 5 and 20 – 23 months. The main conclusion is that artificial neural networks do have potential in forecasting the Swedish consumer price index inflation rate. There are, how- ever, several limitations in this thesis that need to be addressed and potential improvements to be investigated before a clear verdict can be made. / Prisinflation påverkar många ekonomiska processer, och det är därför av största vikt för ekonomiska aktörer att ha tillförlitliga prognoser för denna. I denna kandidatuppsats implementerades framkopplade artificiella neurala nätverk med ett gömt lager för att prognostisera den årliga konsumentprisinflationstakten i Sverige för perioden 2013-01-01 – 2016-06-30. Separata nätverk passades för varje prediktionshorisont mellan en och 24 månader. Roten ur medelkvadratfelet beräknades för varje horisont, och jämfördes sedan med prognoser utfärdade av Riksbanken samt två linjära modeller (ARMA och AR) för samma period. Resultaten visar att nätverken presterar bättre än Riksbankens prognoser på horisonter mellan en och fem månader, samt på horisonter mellan elva och 24 månader, och presterar bättre än ARMA-modellen på intervallen en till fem månader och nio till 24 månader, samt bättre än AR-modellen på en, tre och fem samt 20 till 23 månader. Den huvudsakliga slutsatsen från arbetet är att artificiella neurala nätverk har potential som verktyg för att prognostisera den svenska konsumentprisinflationstakten. I uppsatsen görs emellertid flera antaganden och förenklingar som bör undersökas närmre, och författarna identifierar potentiella förbättringar som också bör utforskas i framtida arbeten innan någon klar dom kan utfärdas.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:su-141675 |
| Date | January 2017 |
| Creators | Sefastsson, Ulf, Sefastsson, Per |
| Publisher | Stockholms universitet, Nationalekonomiska institutionen, Stockholms universitet, Nationalekonomiska institutionen |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds