J 2026

Forecasting Disaggregated Producer Prices: A Fusion of Machine Learning and Econometric Techniques

BENECKÁ, Soňa

Základní údaje

Originální název

Forecasting Disaggregated Producer Prices: A Fusion of Machine Learning and Econometric Techniques

Název česky

Predikce disagregovaných cen výrobců: Fúze strojového učení a ekonometrických technik

Autoři

BENECKÁ, Soňa

Vydání

Journal of Forecasting, Bognor Regis, Spojené království, John Wiley & Sons, Ltd. 2026, 1099-131X

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

50200 5.2 Economics and Business

Stát vydavatele

Velká Británie a Severní Irsko

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Impakt faktor

Impact factor: 2.700 v roce 2024

Označené pro přenos do RIV

Ne

Organizační jednotka

Vysoká škola finanční a správní

Klíčová slova česky

Disagregované ceny průmyslových výrobců, prognózování, inflace, strojové učení

Klíčová slova anglicky

Disaggregated producer prices, forecasting, inflation, machine learning

Štítky

Změněno: 3. 6. 2026 07:18, Mgr. Tereza Denišová, DiS.

Anotace

ORIG CZ

V originále

This paper presents a novel framework for forecasting disaggregated producer price inflation in the euro area by combining machine-learning techniques with traditional econometric models. The analysis demonstrates that sector-level forecasting is essential due to substantial heterogeneity in pricing behavior, with no single model consistently outperforming across sectors and forecast horizons. The results reveal diverse pricing dynamics driven by commodity prices, autoregressive patterns, or their combination, while pipeline pressures are particularly important for final goods sectors. Tree-based machine-learning methods, notably Random Forest and XGBoost, show strong predictive performance when input-cost signals and pipeline pressures are informative. In addition, newly developed hybrid RF-ARMAX and XGB-ARMAX models prove especially effective for short-term forecasting of producer price inflation in commodity- and energy-sensitive industries. The findings highlight the benefits of tailored forecasting approaches that exploit the complementary strengths of econometric and machine-learning methods.

Česky

Příspěvek představuje nový rámec pro prognózování dezagregovaných cen průmyslových výrobců v eurozóně, který kombinuje metody strojového učení s tradičními ekonometrickými modely. Analýza ukazuje, že prognózování na úrovni jednotlivých odvětví je klíčové vzhledem k výrazné heterogenitě cenového chování, přičemž žádný model nedosahuje nejlepší výkonnosti napříč všemi sektory a prognostickými horizonty. Výsledky odhalují rozdílné cenové strategie založené na vývoji komoditních cen, autoregresních vazbách nebo jejich kombinaci, přičemž významnou roli zejména u finálních výrobků hrají nákladové tlaky v produkčním řetězci. Metody založené na rozhodovacích stromech, zejména Random Forest a XGBoost, vykazují velmi dobré výsledky v prostředí, kde jsou relevantní signály vstupních nákladů a přenos cenových tlaků. Nově navržené hybridní modely RF-ARMAX a XGB-ARMAX se navíc ukazují jako zvláště efektivní při krátkodobém prognózování inflace cen průmyslových výrobců v odvětvích citlivých na vývoj komodit a energií. Zjištění potvrzují přínos individuálně přizpůsobených prognostických přístupů, které využívají komplementární silné stránky ekonometrických metod a strojového učení.