2015年-IMF国际货币组织全球_Forecasting_the_Nominal_Brent_Oil_Price_with_VARsOne_Model_Fits_All__32页_1mb

总结：使用VAR模型预测名义布伦特原油价格：一个模型适用于所有情况？

核心内容

本文探讨了使用向量自回归模型（VAR）预测名义布伦特原油价格的可行性，并分析了不同模型在不同预测期限内的表现。研究指出，尽管VAR模型在预测中表现出色，但其预测效果在不同时间段和模型设定下存在显著波动，因此在预测时需谨慎处理模型选择和参数设定。

主要观点

1. 预测模型比较

   • 传统的预测模型（如期货价格、随机游走模型）在预测名义布伦特原油价格时存在系统性偏差和低估问题，尤其在短期预测中表现较差。
   • VAR模型在大多数预测期限内（尤其是12个月以内）表现出更高的准确性和更低的平均预测误差，尤其是在处理油价波动时具有优势。
   • 对于超过12个月的预测，期货价格的准确性略高于VAR模型，但总体而言，VAR模型在中短期预测中仍优于其他模型。

2. 模型设定与变量选择

   • 研究基于传统宏观经济和石油市场变量构建VAR模型，包括全球工业生产、石油供应、库存、CPI通胀等。
   • 为了提高预测准确性，引入了美元汇率指数、利率变量和分解的石油供应与需求变量，以捕捉汇率渠道对石油需求的影响。
   • 通过比较不同模型设定（如是否加入趋势、是否去趋势）和滞后长度，发现模型设定的微小变化可能导致预测结果大幅不同。

3. 预测稳定性与组合方法

   • 尽管VAR模型整体表现较好，但其预测稳定性较差，尤其是在包含结构性断裂的样本中。
   • 预测组合方法在中长期预测（超过18个月）中具有一定的优势，特别是使用24个月的反向预测误差加权组合。
   • 预测误差的分散程度和方向性表明，VAR模型在多数情况下比随机游走和期货模型更准确。

4. 模型改进与稳健性分析

   • 研究引入了去趋势的VAR模型，以减少长期趋势对短期预测的影响。
   • 模型稳健性检验显示，某些变量（如Baltic Dry Index）在2008年前对预测有帮助，但之后效果下降。
   • 模型中使用了Kilian的REACT指数和OECD库存数据作为石油需求的代理变量。

关键信息

• 研究时间范围：1985年1月至2014年12月。
• 预测变量：全球工业生产、石油供应、库存、CPI通胀、美元汇率指数、利率变量（如3年和10年国债收益率）、Kilian的REACT指数。
• 预测方法：使用VAR模型进行外推预测，并与期货价格、随机游走模型和ARMA模型进行比较。
• 预测误差衡量：采用对称的均方根误差（RMSE）和Diebold-Mariano检验来评估模型的准确性。
• 结论：VAR模型在大多数情况下优于期货和随机游走模型，但预测稳定性较差，需结合其他模型进行预测组合以提高中长期预测的准确性。

模型与方法

基准模型

• 随机游走（RW）：Pt+1 = Pt + ut+1
• 随机游走带漂移（RW with drift）：Pt+1 = v + Pt + ut+1
• 期货预测：Pt+j = Ft+j + ut+j
• ARMA(1,1)：Pt+1 = c + φPt + ut+1 + θut
• AR(q)：Pt+1 = μ + φ1Pt + ... + φqPt-q+1 + ut+1
• MA(q)：Pt+1 = μ + ut+1 + θ1ut + ... + θqut-q+1

VAR模型

• 模型A(i)：包括全球石油供应、全球工业生产、OECD库存、CPI通胀，滞后长度为6。
• 模型B(i)：模型A(i)基础上加入美元汇率指数。
• 模型C(i)：模型A(i)基础上加入3年和10年国债收益率。
• 模型D(i)：模型C(i)基础上加入长期与短期利率差。
• 模型E(i)：将工业生产分为发达市场和新兴市场。
• 模型F(i)：将石油供应分为OPEC和非OPEC。
• 模型G(i)：将石油供应分为OPEC、北美和其余地区。
• 模型H(i)：使用Kilian的REACT指数，不使用全球工业生产。

预测表现

• 短期预测（≤12个月）：VAR模型在大多数情况下优于期货和随机游走模型，尤其是当模型去趋势后。
• 中长期预测（≥12个月）：期货模型表现更优，但VAR模型在24个月预测中仍具有竞争力。
• 预测误差：VAR模型的预测误差更集中，而期货模型误差更分散。
• 预测偏差：VAR模型的偏差较小，而期货模型存在显著的低估现象。
• 预测组合：在18个月以上预测中，预测组合方法（特别是使用24个月的反向预测误差权重）具有一定的优势。

数据来源

• 原油数据：来自国际能源署（IEA）的月度石油数据服务。
• 油价数据：布伦特和WTI原油价格。
• CPI数据：美国消费者价格指数。
• 工业生产数据：全球和区域工业生产指数。
• 汇率数据：主要石油进口国的美元汇率指数。
• 利率数据：美国3年和10年国债收益率。
• Kilian的REACT指数：来自其个人网站。

研究结论

• VAR模型的优势：在大多数预测期限内，VAR模型优于传统模型，尤其在中短期预测中表现突出。
• 预测的不稳定性：VAR模型的预测效果受模型设定、样本划分和滞后长度的影响较大，因此需要谨慎处理。
• 预测组合的必要性：在中长期预测中，结合多种模型可以提高预测准确性。
• 结构性断裂的影响：由于油价在2008年后发生重大变化，模型在不同时间段的表现存在差异，需关注结构性断裂对预测的影响。

附录：表格与图表

• Table 1：概述了各种预测模型及其变量和滞后长度。
• Table 2：展示了Mincer-Zarnowitz检验结果，用于评估预测无偏性。
• Table 3-7：提供了不同模型在不同预测期限下的均方根误差（RMSE）和预测组合结果。
• Figure 1：展示了VAR模型和期货模型的预测与实际值对比图，显示VAR模型的预测误差更集中。
• Figure 2：展示了滚动平均RMSE的变化趋势。
• Figure 3-4：展示了2014年之前和之后的外推VAR预测结果。

参考文献

• Kilian, L. (2009)
• Baumeister, S., & Kilian, L. (2012, 2014)
• Alquist, R., Kilian, L., & Vigfusson, R. (2013)
• Aastveit, A., et al. (2014)
• Chen, S., et al. (2010)
• Grisse, J. (2010)
• Reichsfeld, M., & Roache, C. (2011)
• Chinn, M. D., & Coibion, O. (2013)
• Mincer, J., & Zarnowitz, V. (1969)
• Diebold, F. X., & Mariano, A. S. (1995)
• Giacomini, R., & Rossi, B. (2010)