Decomposizioni wavelet per migliorare le previsioni di ERP e BRP

The contribution of this thesis is to investigate the advantages obtained using frequency-domain information in equity risk premium (ERP) and bond risk premium (BRP) out-of-sample predictions, relying on the most recent academic writings, and especially on the work of Faria and Verona (2019). To pursue this goal, twelve different variables suggested by the existing literature have been examined and decomposed through wavelet transformations, and more specifically utilizing the method of multiresolution analysis based on MODWT. The consistent results obtained, both with the single frequencies and with the combined frequencies from different predictors, are attributable to the power of the wavelet transformations to provide more granular information allowing in this way to eliminate the noisy frequencies and to select the frequencies with the higher predictive power. Finally, in the light of the results obtained, a step forward was made by proposing a LASSO regression for feature selection in order to try and address the problems encountered in doing forecasts with frequencies from different original predictors.

Il contributo di questa tesi è quello di indagare i vantaggi ottenuti utilizzando le informazioni nel dominio della frequenza nelle previsioni out-of-sample di equity risk premium (ERP) e bond risk premium (BRP), basandosi sugli scritti accademici più recenti ed in particolare sul lavoro di Faria e Verona (2019). Per perseguire tale obiettivo, sono state esaminate e decomposte dodici diverse variabili, suggerite dalla letteratura esistente, attraverso le trasformazioni wavelet, e più specificatamente utilizzando il metodo di analisi multirisoluzione basato sulla MODWT. I risultati consistenti ottenuti, sia con le singole frequenze che con le frequenze combinate da predittori differenti, sono attribuibili al potere delle trasformazioni wavelet di fornire informazioni più granulari permettendo così di eliminare le frequenze rumorose e di selezionare le frequenze con potere predittivo maggiore. In fine, alla luce dei risultati ottenuti, si è fatto un passo in avanti proponendo la regressione LASSO per la selezione di variabili per cercare di affrontare i problemi riscontrati nel fare previsioni con frequenze di diversi predittori originali.