Detailansicht
Impacts of geopolitical risk on inflation expectations in the Eurozone
estimating deep conditional transformation models with neural networks
Luca Phileas Vetter
Art der Arbeit
Master-Thesis (ULG)
Universität
Universität Wien
Fakultät
Postgraduate Center
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Universitätslehrgang für Internationale Studien (M.A.I.S.-Lehrgang)
Betreuer*in
Martin Feldkircher
DOI
10.25365/thesis.78754
URN
urn:nbn:at:at-ubw:1-30307.14880.972285-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Masterarbeit untersucht, wie geopolitische Risiken in Reden der Europäischen Zentralbank (EZB) die Inflationserwartungen professioneller Prognostiker im Euroraum beeinflussen. Zu diesem Zweck werden sogenannte Deep Conditional Transformation Models (DCTMs) auf Basis neuronaler Netzwerke angewendet, die einen flexiblen und probabilistisch kohärenten Rahmen zur Schätzung der gesamten bedingten Verteilung von Inflationserwartungen bieten. Die empirische Analyse kombiniert makroökonomische Unsicherheitsindizes mit textuellen Repräsentationen von EZB-Reden, darunter Sentiment-Scores, geopolitisch gefilterte FinBERT-Klassifikationen sowie hochdimensionale, auf Transformer-Modellen basierende Text-Embeddings. Die DCTMs zeigen, dass latente semantische Komponenten in der Sprache der EZB mit signifikanten Verschiebungen in der prognostizierten Inflationsverteilung einhergehen. Die Ergebnisse unterstreichen die methodischen Vorteile einer verteilungssensitiven Prognose sowie den Nutzen tiefer Modelle auf Basis neuronaler Netzwerke für makroökonomische Anwendungen textbasierter Daten.
Abstract
(Englisch)
This thesis aims to investigate how geopolitical risk in ECB speeches impacts professional inflation expectations in the Euro area. To that end, deep conditional transformation models based on neural networks are applied, which provide a flexible and probabilistically coherent framework for estimating the entire conditional distribution of inflation expectations. The empirical analysis incorporates macroeconomic uncertainty indices alongside textual representations of ECB speeches, including sentiment scores, geopolitically filtered FinBERT classifications, and high-dimensional transformer-based text embeddings. DCTMs show latent semantic components in ECB language are associated with meaningful shifts in the predicted inflation distribution. The findings underscore the methodological advantages of distributional forecasting, and the use of deep models based on neural networks for macroeconomic applications of textual data.
Schlagwörter
Schlagwörter
(Deutsch)
Geopolitische Risiken Inflationserwartungen Deep Conditional Transformation Models Zentralbank
Schlagwörter
(Englisch)
Geopolitical Risk Inflation Expectations Deep Conditional Transformation Models Natural Language Processing Central Bank
Autor*innen
Luca Phileas Vetter
Haupttitel (Englisch)
Impacts of geopolitical risk on inflation expectations in the Eurozone
Hauptuntertitel (Englisch)
estimating deep conditional transformation models with neural networks
Publikationsjahr
2025
Umfangsangabe
64, X Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Martin Feldkircher
Klassifikationen
83 Volkswirtschaft > 83.12 Makroökonomie ,
83 Volkswirtschaft > 83.50 Geld. Inflation. Kapitalmarkt
AC Nummer
AC17589793
Utheses ID
76449
Studienkennzahl
UA | 992 | 940 | |