Wykorzystanie Dynamic Time Warping do analizy polityki pieniężnej, sektora finansowego i wzrostu gospodarczego Polski oraz wybranych krajów Europy Środkowo-Wschodniej
DOI:
https://doi.org/10.33119/SIP.2023.191.7Słowa kluczowe:
polityka pieniężna, sektor finansowy, wzrost gospodarczy, Dynamic Time Warping, podobieństwo szeregów czasowychAbstrakt
Celem niniejszego artykułu było zbadanie oddziaływania polityki pieniężnej (oraz szerzej – sektora finansowego) na realną gospodarkę w wybranych krajach europejskich. Uwzględniono także politykę fiskalną. Badanie obejmowało 15 państw europejskich nienależących do strefy euro oraz okres 2010– 2022. W analizie wykorzystano metodę Dynamic Time Warping (DTW), czyli nowatorską jak na ekonomię i finanse metodę służącą do porównywania szeregów czasowych. W badaniu porównano kraje pod względem pięciu zmiennych: stopy procentowej, tempa wzrostu podaży pieniądza, tempa wzrostu wydatków konsumpcyjnych państwa, tempa wzrostu gospodarczego i stopy inflacji. Wyniki pokazują, że na podstawie zmiennych reprezentujących politykę pieniężną (stopy procentowe i dynamika podaży pieniądza) można wyodrębnić dwa klastry krajów charakteryzujących się podobnym prowadzeniem polityki pieniężnej. Badanie dostarcza wielu rekomendacji dla polityki gospodarczej, zwłaszcza w zakresie polityki pieniężnej.
Downloads
Bibliografia
2. Bernardelli M. [2023], Assessment of the Similarity Between the Business Cycle Phases, w: Monitorowanie działalności gospodarczej. Gospodarka po pandemii COVID-19, red. M. Radzikowski, Oficyna Wydawnicza SGH, Warszawa.
3. Bernardelli M., Próchniak M. [2023], The Analysis of Economic Growth and Monetary Policy for Poland and Selected Central and Eastern European Countries with the Use of Dynamic Time Warping, w: Modeling Economic Growth in Contemporary Poland, red. E. Bukalska, T. Kijek, B.S. Sergi, Emerald Publishing, Bingley, UK.
4. D’Urso P., De Giovanni L., Massari R. [2021], Trimmed Fuzzy Clustering of Financial Time Series Based on Dynamic Time Warping, „Annals of Operations Research”, 299.
5. Focardi S.M. [2001], Clustering Economic and financial Time Series: Exploring the Existence of Stable Correlation Conditions, The Intertek Group Discussion Paper, nr 2001–04.
6. Franses P.H., Wiemann T. [2020], Intertemporal Similarity of Economic Time Series: An Application of Dynamic Time Warping, „Computational Economics”, 56.
7. Gassouma M.S., Benhamed A., El Montasser G. [2023], Investigating Similarities Between Islamic and Conventional Banks in GCC Countries: A Dynamic Time Warping Approach, „International Journal of Islamic and Middle Eastern Finance and Management”, 16(1).
8. Kate R.J. [2016], Using Dynamic Time Warping Distances as Features for Improved Time Series Classification, „Data Mining and Knowledge Discovery”, 30.
9. Paparrizos J., Gravano L. [2016], K-Shape: Efficient and Accurate Clustering of Time Series, „SIGMOD Record”, 45(1).
10. Rapacki R. (red.) [2019], Diversity of Patchwork Capitalism in Central and Eastern Europe, Routledge, London.
11. Raihan T. [2017], Predicting US Recessions: A Dynamic Time Warping Exercise in Economics, „SSRN Working Paper”, 3047649.
12. Sakoe H., Chiba S. [1978], Dynamic Programming Algorithm Optimisation for Spoken Word Recognition, „IEEE Transactions on Acoustics, Speech, and Signal Processing”, 26(1).
13. Vintsyuk T. [1968], Speech Discrimination by Dynamic Programming, „Cybernetics”, 4(1).
14. Walesiak M. [2016], Wybór grup metod normalizacji wartości zmiennych w skalowaniu wielowymiarowym, „Przegląd Statystyczny”, 63(1).
