2025
Forecasting Disaggregated Producer Prices: A Fusion of Machine Learning and Econometric Techniques
BENECKÁ, SoňaBasic information
Original name
Forecasting Disaggregated Producer Prices: A Fusion of Machine Learning and Econometric Techniques
Name in Czech
Predikce disagregovaných cen výrobců: Fúze strojového učení a ekonometrických technik
Authors
BENECKÁ, Soňa
Edition
CNB Working paper series, Praha, Česká republika, Česká národní banka, 2025, 1803-7070
Other information
Language
English
Type of outcome
Article in a journal
Field of Study
50200 5.2 Economics and Business
Country of publisher
Czech Republic
Confidentiality degree
is not subject to a state or trade secret
References:
Marked to be transferred to RIV
No
Organization unit
University of Finance and Administration
Keywords (in Czech)
Disagregované ceny průmyslových výrobců, prognózování, inflace, strojové učení
Keywords in English
Disaggregated producer prices, forecasting, inflation, machine learning
Tags
International impact, Reviewed
Changed: 3/6/2026 07:17, Mgr. Tereza Denišová, DiS.
In the original language
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.
In Czech
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.