000000825 001__ 825
000000825 005__ 20250211155731.0
000000825 0247_ $$a10.34989/swp-1999-3$$2DOI
000000825 035__ $$a10.34989/swp-1999-3
000000825 041__ $$aeng
000000825 084__ $$aC Mathematical and Quantitative Methods$$02849
000000825 084__ $$aC4 Econometric and Statistical Methods: Special Topics$$02881
000000825 084__ $$aC45 Neural Networks and Related Topics$$02886
000000825 084__ $$aE Macroeconomics and Monetary Economics$$03005
000000825 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000000825 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000000825 084__ $$aE4 Money and Interest Rates$$03035
000000825 084__ $$aE44 Financial Markets and the Macroeconomy$$03040
000000825 245__ $$aForecasting GDP Growth Using Artificial Neural Networks
000000825 260__ $$bBank of Canada
000000825 269__ $$a1999
000000825 300__ $$a1 online resource (vi, 24 pages)
000000825 336__ $$aText
000000825 347__ $$bPDF
000000825 520__ $$aFinancial and monetary variables have long been known to contain useful leading information regarding economic activity. In this paper, the authors wish to determine whether the forecasting performance of such variables can be improved using neural network models. The main findings are that, at the 1-quarter forecasting horizon, neural networks yield no significant forecast improvements. At the 4-quarter horizon, however, the improved forecast accuracy is statistically significant. The root mean squared forecast errors of the best neural network models are about 15 to 19 per cent lower than their linear model counterparts. The improved forecast accuracy may be capturing more fundamental non-linearities between financial variables and real output growth at the longer horizon.$$7Abstract
000000825 520__ $$aLes variables financières et monétaires sont reconnues depuis longtemps comme des indicateurs fiables de l'activité économique future. Dans cette étude, les auteurs tentent de déterminer si le recours à des réseaux neuronaux permet d'améliorer les prévisions réalisées à l'aide de ces variables. Ils constatent qu'à l'horizon d'un trimestre, les réseaux neuronaux ne produisent pas de meilleures prévisions que les modèles linéaires traditionnels. À l'horizon de quatre trimestres toutefois, on observe une amélioration significative des prévisions sur le plan statistique. Les erreurs quadratiques moyennes de prévision des meilleurs modèles neuronaux sont inférieures de 15 à 19 % à celles des modèles linéaires. Cette précision accrue des prévisions pourrait indiquer la présence de relations non linéaires fondamentales entre les variables financières et la croissance de la production réelle à l'horizon d'un an.$$7Résumé
000000825 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000000825 6531_ $$aEconometric and statistical methods
000000825 6531_ $$aMonetary and financial indicators
000000825 6531_ $$aMéthodes économétriques et statistiques
000000825 6531_ $$aIndicateurs monétaires et financiers
000000825 7001_ $$aTkacz, Greg
000000825 7001_ $$aHu, Sarah
000000825 789__ $$w1192-5434$$2ISSN$$eIsPartOf
000000825 8301_ $$aStaff Working Paper
000000825 8301_ $$aDocument de travail du personnel
000000825 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/825/files/wp99-3.pdf$$9f7ad8e8d-b1da-4e65-8941-6f91e7278615$$s211607$$zFile Source: Bank of Canada website, 2024
000000825 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:825$$pbibliographic
000000825 980__ $$aStaff Research
000000825 980__ $$aRDM
000000825 991__ $$aPublic