2023-01-08-美联储-理解不确定性冲击和黑天鹅的作用（英）_43页_1mb

报告摘要

总结：Understanding Uncertainty Shocks and the Role of Black Swans

核心内容

本文探讨了经济不确定性冲击的来源及其与黑天鹅事件的关系。作者提出，传统的不确定性冲击模型通常假设不确定性来自第二矩（如方差）的变化，但实际中，不确定性波动更多源于对尾部风险的重新估计。他们构建了一个基于非正态分布的预测模型，结合参数不确定性和偏度，揭示了如何通过实时数据更新来放大尾部风险估计的变化，从而导致不确定性波动。

主要观点

不确定性并非仅由方差驱动
传统的模型将不确定性视为方差的函数，但本文指出，不确定性波动主要来源于对尾部风险（如极端负面事件）概率的重新评估。即使在方差不变的情况下，由于偏度的不确定性，预测者仍可能经历显著的不确定性冲击。
黑天鹅事件的动态估计
预测者根据实时数据重新估计偏度，从而影响尾部事件的概率。这种重新估计过程可能导致较大的不确定性波动，尤其是在数据揭示了新的偏度信息时。
数据驱动的信念形成机制
本文提出一个数据驱动的信念形成框架，预测者基于历史数据和模型更新其对经济结果分布的估计。这种机制允许我们分析不确定性波动的来源，并将其与预测误差、方差和尾部风险联系起来。
不确定性与波动性的区分
不确定性（定义为条件标准差）与波动性（定义为未预期创新的标准差）是不同的概念。不确定性是基于预测者对分布的估计，而波动性是基于已知模型参数的未预期变化。
预测模型与实证结果的一致性
作者的模型能够解释实际中观察到的不确定性波动，并与专业预测者（SPF）的预测数据相一致。模型中引入的偏度参数能够解释预测偏差的来源。

关键信息

不确定性定义：不确定性是基于预测者在时间 $t$ 的信息集 $\mathcal{I}{it}$，对时间 $t+1$ 的GDP增长率的条件标准差，即 $U{it} = \sqrt{E[(y_{t+1} - E[y_{t+1}|\mathcal{I}{it}]')^2|\mathcal{I}{it}]}$。
预测误差定义：预测误差是预测值与实际值之间的绝对距离，即 $FE_{i,t+1} = |y_{t+1} - E[y_{t+1}|\mathcal{I}_{it}]|$。
模型结构：本文构建了一个带有偏度的预测模型，形式为 $y_t = f(X_t)$，其中 $X_t = x(S_t) + \sigma(S_t)\epsilon_t$，$S_t$ 是状态变量，$\epsilon_t$ 是独立同分布的正态随机变量。
偏度的引入：通过引入指数函数 $f$，模型能够捕捉非正态分布的特性。该函数可以是全局凹或凸，从而生成负偏或正偏的分布。
实证数据：使用美国1968:Q4-2022:Q1的实时GDP增长率数据，以及专业预测者（SPF）的预测数据进行分析。
结果发现：60%至80%的不确定性波动来源于对黑天鹅事件（极端负面GDP增长）概率的估计变化，而非方差的变化。
理论贡献：本文提供了一个统一的信息基础宏观理论框架，将不确定性冲击、新闻冲击和灾难风险联系起来，并解释了为何在没有完全信息的情况下，不确定性会表现出反周期性。