2017年-BIS国际清算银行_Modeling_Time-Varying_Uncertainty_of_Multiple-Horizon_Forecast_Errors_58页_1mb

总结：Modeling Time-Varying Uncertainty of Multiple-Horizon Forecast Errors

核心内容

本文探讨了如何对多期预测误差的时变不确定性进行建模，旨在提高预测不确定性估计的准确性和校准性。研究对象包括来自专业调查（如Survey of Professional Forecasters, SPF）和美联储Greenbook的预测数据。作者提出了一种多期时变方差模型，以捕捉预测误差的时变特性，并通过贝叶斯方法进行估计。

主要观点

• 预测不确定性的重要性：中央银行在制定预测时，通常依赖历史预测误差来衡量不确定性。然而，这种基于固定样本的方差估计可能无法准确反映预测误差随时间变化的特性。
• 时变不确定性模型：作者开发了一种多期时变方差模型，该模型能够捕捉预测误差在不同时间点的波动性。与传统的固定方差方法相比，该模型提高了密度预测的准确性和校准性。
• 预测误差分解：为了解决多期预测误差之间的重叠问题，作者提出将多期预测误差分解为“nowcast误差”和“预测更新误差”的总和。这种分解有助于构建一个更准确的不确定性度量框架。
• 预测更新的独立性：在最优预测的假设下，预测更新具有马尔可夫差序列（martingale difference sequence）的性质，即这些更新在时间上是独立的，从而避免了估计误差相关性的问题。
• 模型的适用性：该模型适用于多种预测源，如SPF、Blue Chip、FOMC的SEP和Greenbook，并且可以扩展到包含向量自回归（VAR）成分的模型，以处理可能的预测偏差和序列相关性。

关键信息

数据

• 研究数据包括季度GDP增长率、失业率、通货膨胀率（GDP价格指数和CPI）以及3个月期国库券利率。
• SPF数据来自费城联储网站，Greenbook数据也来自同一来源。
• 预测误差的衡量基于实际数据和预测数据之间的差异，其中实际数据在预测发布时（如季度中点）才被公开。
• 预测更新（expectational updates）定义为当前预测与前一期预测的差值，用于构建多期预测误差的独立序列。

模型

• 标准AR-SV模型：作者首先回顾了标准的自回归-随机波动（AR-SV）模型，该模型已被广泛应用于时间序列数据。
• 多期时变方差模型：本文提出的模型适用于多期预测误差，并通过分解误差为nowcast误差和预测更新误差来处理重叠问题。
• 贝叶斯估计方法：模型使用贝叶斯马尔可夫链蒙特卡洛（MCMC）方法进行估计，以计算不同预测期的条件方差。
• 模型扩展：模型可以扩展为包含VAR成分的版本，以考虑预测更新可能存在的序列相关性。

结果

• 时变方差显著：研究发现，预测误差的方差在不同时期存在显著变化，尤其是在“大缓和”（Great Moderation）和经济衰退期间。
• 预测不确定性校准：通过该模型计算的不确定性区间比基于滚动窗口的固定方差方法更准确，且在连续排名概率得分（CRPS）和预测覆盖率评估中表现更好。
• 调查预测的局限性：尽管某些调查（如SPF）提供了预测概率分布，但这些分布通常针对固定事件而非固定期，因此难以直接用于多期预测的不确定性分析。

模型结构

预测误差分解

预测误差可以分解为：

$$
e_{t + h} = e_{t + h} + \sum_{i=1}^{h} \mu_{t + h | t + i}
$$

其中，$e_{t + h}$ 是nowcast误差，$\mu_{t + h | t + i}$ 是预测更新误差。

条件方差公式

在该分解下，多期预测误差的条件方差可以表示为：

$$
\mathrm{var}t(y{t + h}) = E_t[\mathrm{var}{t + h}(e{t + h})] + \sum_{i=2}^{h} E_t[\mathrm{var}{t + i - 1}(\mu{t + h | t + i})] + \mathrm{var}t(\mu{t + h | t + 1})
$$

该公式利用了总方差定律（law of total variance），并结合预测更新的独立性假设。

适用性与扩展

• 该模型适用于其他预测源，只要它们是基于固定期的预测。
• 可以扩展为包含VAR成分的模型，以处理可能的预测偏差和序列相关性。
• 模型假设预测更新是独立的，但作者也承认在实际中可能存在一定的相关性。

研究意义

• 提高了预测不确定性估计的准确性，特别是在考虑经济周期变化和预测误差波动性方面。
• 为政策制定者和研究人员提供了更精确的预测不确定性度量工具，有助于更好地理解预测的可靠性。
• 与传统方法相比，该模型在实时数据环境下具有更强的适应性和解释力。