2023-10-26-IMF-从预测中识别新闻冲击（英）_78页_1mb

总结：从预测中识别新闻冲击

核心内容

本文提出了一种方法，用于在结构向量自回归（SVAR）模型中识别宏观冲击的“新闻”和“意外”成分。该方法通过引入对时间序列的预测数据，增加线性约束，从而实现对结构冲击的识别和分解。文章利用美国的宏观经济数据和多个预测来源（如专业预测者调查、美联储绿皮书、资产价格等）进行实证分析，并讨论了新闻冲击在经济波动中的作用以及财政和货币政策在应对这些冲击时的效果。

主要观点

• 新闻与意外冲击的区分：在宏观冲击中，预期（新闻）和意外（惊喜）成分具有不同的经济效应。通过引入预测数据，可以识别出这两种成分。
• 识别机制：在结构VAR中，假设每个冲击都有一个新闻成分和一个意外成分。通过将预测纳入模型，可以利用这些预测与VAR预测的一致性来识别结构冲击。
• 新闻冲击的影响：在所估计的模型中，新闻冲击解释了约四分之一的美国商业周期波动，尤其在财政冲击中表现更为显著。
• 政策效果分析：文章通过反事实实验发现，协调的财政和货币政策比单独使用其中一种政策更有效，能够更好地稳定产出和通货膨胀。
• 模型假设：模型假设新闻成分和意外成分正交，且预测数据满足某种因果可逆性，以确保识别的准确性。

关键信息

1. 方法概述

• 预测数据的引入：将专业预测者、美联储、资产价格等来源的预测数据纳入VAR模型，以识别冲击的新闻和意外成分。
• 结构VAR的改进：传统SVAR依赖正交性假设，而本文方法通过引入预测数据，能够在不依赖额外结构的情况下识别结构冲击。
• 识别的数学基础：文章证明了在满足“包容性”形式的条件下，加入预测数据可以唯一确定结构冲击的新闻和意外成分。

2. 模型设定

• 模型形式：文章假设宏观冲击由新闻成分 $v_{t-1}$ 和意外成分 $u_t$ 组成，即 $\epsilon_t = u_t + v_{t-1}$。
• 动态生成过程：时间序列 $x_t$ 由结构冲击和预测数据共同决定，模型形式为：
  $$
  x_t = \sum_{j=1}^m B_j x_{t-j} + A \epsilon_t + C v_t
  $$
• 预测清理：通过VAR模型将预测数据清理为理性预期，使其误差与时间序列、预测和观测变量的滞后无关。

3. 实证分析

• 美国数据的应用：文章使用美国宏观经济数据，包括通胀、产出缺口和名义利率，进行实证分析。
• 新闻冲击的识别：在财政冲击中，新闻成分对产出的影响显著，且财政乘数较大；而在货币政策冲击中，影响主要来自意外成分。
• 反事实实验：通过反事实实验发现，财政政策在稳定产出方面效果显著，但会增加税收和通货膨胀的波动性；货币政策在应对某些冲击时更为有效。

4. 政策建议

• 协调政策的重要性：财政和货币政策的协调比单独使用其中一种政策更有效，尤其是在应对具有显著新闻成分的冲击时。
• 政策规则的评估：最佳的反事实货币政策规则在稳定产出方面不如财政刺激有效，但利率盯住政策不会导致通货膨胀波动性增加。

5. 相关文献

• 已有研究：已有大量文献研究了新闻冲击对宏观经济的影响，尤其是财政政策相关的研究。
• 理论支持：文章基于“包容性”模型形式，证明了预测数据在识别结构冲击中的作用。

方法创新

• 预测数据的使用：通过将预测数据纳入VAR模型，能够区分新闻和意外成分，从而更准确地识别结构冲击。
• 无需额外结构：该方法在不依赖额外假设的情况下，能够识别所有结构冲击，包括其新闻和意外成分。
• 数学证明：文章通过矩阵分解和奇异值分解（SVD）方法，证明了在满足一定条件下，结构冲击可以被唯一识别。

结论

• 新闻冲击的重要性：新闻冲击在解释经济波动中扮演重要角色，尤其在财政政策中更为显著。
• 政策协调的必要性：协调财政和货币政策比单独使用一种政策更有效，能够更好地稳定经济。
• 方法的普适性：该方法适用于广泛的宏观模型，为识别结构冲击提供了一种新的、通用的策略。