Tikslaus nuosmukio prognozavimo iššūkis išlieka labai svarbiu makroekonominės analizės klausimu, nes didelės prognozavimo klaidos dažnai kyla dėl nesugebėjimo numatyti ekonomikos nuosmukio (An ir kt., 2018, Abreu 2011). Pripažįstant, kad sunku tiksliai nustatyti verslo ciklo posūkio laiką, alternatyvus būdas yra naudoti tikimybinius modelius, kad būtų galima įvertinti recesijos riziką. Vienas įprastas metodas naudoja probit arba logit modelius recesijos tikimybei įvertinti naudojant įvairius finansinius ir ekonominius rodiklius. Tačiau dauguma esamų tyrimų apsiriboja atskiromis šalimis, pirmiausia JAV (pvz., Estrella ir Mishkin 1996 m., Hamilton 2010, Pike ir Vazquez-Grande 2019, Delle Monache ir kt. 2022, Summers ir Domash 2022) arba geriausiu atveju apima nedidelį skaičių. šalių (pvz., Nyberg 2010, Fornari ir Lemke 2010). Didesnių šalių grupių tyrimai dažnai buvo sutelkti į retus krizių įvykius, pvz., finansų ar valiutų krizes, naudojant modelius, kuriuose numatomi vienodi aiškinamieji kintamieji įvairiose ekonomikose. Ši prielaida yra problemiška prognozuojant recesiją, nes išsivysčiusios ekonomikos pasižymi įvairiomis makroekonominėmis ir finansinėmis savybėmis, įskaitant skirtingą jautrumą palūkanų normoms, prekybos atvirumą ir būsto rinkų cikliškumą.
Tai, kad nėra paskelbtų darbų (bent jau mes žinome), kad recesijos rizika būtų vertinama vienu metu daugelyje šalių ir keliuose horizontuose, yra dėl to, kad sudėtinga pasirinkti optimalų prognozių rinkinį. Taip yra ne tik todėl, kad šis pasirinkimas gali labai skirtis įvairiose šalyse, bet ir todėl, kad jis gali skirtis priklausomai nuo prognozavimo horizonto. Be to, šių santykių funkcinės formos a priori nėra akivaizdžios, o tai dar labiau apsunkina modeliavimo procesą.
Mašininis mokymasis ir ekonominis sprendimas prognozuojant recesijos riziką
Naujausiame darbe (Chalaux ir Turner 2024) šiai atrankos problemai 20 EBPO šalių taikome įvairius mašininio mokymosi metodus per ketvirčio laikotarpį iki dvejų metų. Konkuruojantys mašininio mokymosi metodai apima skirtingus plačiai naudojamo mažiausiai absoliutaus susitraukimo ir atrankos operatoriaus (LASSO) parametrus ir naujesnius. Otai yra Ckiaušidės vienu metu Mdaugkartinis Tįvertinimo (OCMT) įverčius. Jie lyginami su „Doombot“ algoritmu, kurį pagal užsakymą sukūrė EBPO autoriai, kuris naudoja brutalią jėgą daugeliui kintamųjų derinių išbandyti, tačiau tai darydamas nustato daugybę apribojimų, atitinkančių pagrindinę makroekonominę logiką.
Visuose algoritmuose dažniausiai pasirenkami finansiniai kintamieji, ypač susiję su kredito ir būsto kainomis, taip pat akcijų kainos ir įvairūs palūkanų normų matai (pvz., pajamingumo kreivės nuolydis). Taip pat pasirenkami verslo ciklo kintamieji – pajėgumų panaudojimo, pramonės gamybos, BVP ir nedarbo tyrimo rodikliai, tačiau dažniau trumpesniais – vos vieno ar dviejų ketvirčių – laikotarpiais. Svarbu tai, kad modeliuose parenkami ne tik vietiniai rodikliai, bet ir tarptautiniai suvestiniai rodikliai, atspindintys pasaulinių ekonomikų tarpusavio ryšį, atitinkantį ankstesnius EBPO tyrimus (Hermansen ir Röhn 2016).
„Doombot“ turi geriausią nuspėjamąjį našumą be pavyzdžio
Vertinant konkuruojančių tikimybinių modelių, numatančių konkretaus įvykio (čia – nuosmukio) įvykį, veiksmingumą, įprasta akcentuoti neatrinktas nuspėjamas našumas. Taip yra todėl, kad jei numatomi įvykiai yra gana reti, modeliai yra ypač pažeidžiami dėl „per didelio pritaikymo“ treniruočių pavyzdyje ir tada prastai nuspėja kito įvykio įvykį realiuoju laiku.
Atitinkamai, konkuruojantys algoritmai taikomi 20 EBPO šalių duomenims, daugiausia dėmesio skiriant bandymams be imties naudojant slenkančią kilmę, įskaitant pasaulinės krizės (GFC) langus. Doombot algoritmas turi geriausius balus, skaičiuojant iš trijų skirtingų našumo rodiklių skirtingose šalyse, ir dažniausiai yra aukščiausias atskirų šalių algoritmas. Be to, nuodugniai išnagrinėjus skirtingus ne imties prognozių metus, taip pat matyti, kad jis daug geriau įspėja apie pasaulinę krizę nei kiti algoritmai, įskaitant antroje vietoje esantį LASSO algoritmą.
„Doombot“ taip pat geriau tinka „pasakojimams“
„Doombot“ pasirinkti modeliai yra ne tik geriausiai veikiantis ateities nuosmukio prognozavimo algoritmas, bet ir paprastai pateikia įtikinamesnį ekonominį pasakojimą, nes:
- Aiškinamųjų kintamųjų skaičius yra santykinai santūrus – vienoje lygtyje yra vidutiniškai apie tris aiškinamuosius kintamuosius, o tai yra daug mažiau nei bet kuris LASSO variantas.
- Aiškinamųjų kintamųjų ženklai yra apriboti pagal ekonominius prioritetus (taigi yra nuoseklūs visose šalyse), o kitų algoritmų įvertinti ženklai dažnai yra prieštaringi.
- Nuosmukio tikimybių termino struktūra turi būti santykinai sklandi, tuo tarpu nepastovių ir neįtikėtinų smailių dažnis dažniau pasitaiko konkuruojančių algoritmų prognozėse.
Dėl šių savybių Doombot prognozes lengviau interpretuoti ir paaiškinti. Pavyzdžiui, rizikos JAV atveju, įvertintos prieš pat pasaulinę krizę (1 pav.), recesijos tikimybė nuolat didėja ir išlieka didelė beveik visą projekcijos laikotarpį. Artimiausiais ketvirčiais jas daugiausia lemia atvirkštinis pajamingumo kreivės nuolydis ir krentančios akcijų kainos, tačiau ryškus būsto kainų poslinkis, kuris dominuoja tolesnius ketvirčius. Tokios pat prognozės kitoms šalims atskleidžia, kad beveik pusė visų kitų šalių mažiausiai du ketvirčius iš eilės numatė recesijos tikimybę, kuri yra bent 50%. Šiose šalyse, taip pat kitose šalyse, kuriose nuosmukio rizika yra didesnė, būsto kainos ir (arba) kreditų pokyčiai vaidina svarbų vaidmenį, pabrėžiant bendrą perteklinių kreditų ir būsto kainų vaidmenį pasaulinės krizės pagrindu.
1 pav Prisidėjo prie prognozuojamų JAV nuosmukio tikimybių prieš pasaulinę krizę
Neatrinktos projekcijos, padarytos remiantis 2007 m. gruodžio pradžioje turimais duomenimis
Pastaba: diagramoje parodytas apytikslis nuosmukio tikimybių išskaidymas į kiekvieno aiškinamojo kintamojo indėlį. Prognozės daromos naudojant Doombot algoritmą, naudojant 2007 m. gruodžio pradžioje turimus duomenis. JAV nuo 2008 m. trečiojo ketvirčio iki 2009 m. antrojo ketvirčio buvo nuosmukis, o tai atitinka tamsesnio fono plotą.
Poveikis politikai ir būsimiems tyrimams
Doombot algoritmas parodo, kad įtraukus ekonominį sprendimą į mašininio mokymosi modelius, galima gauti nuoseklesnius pasakojimus neprarandant nuspėjimo tikslumo. Iš tiesų, vertinant suvaržymus, pagerėja ne imties našumas. Ši išvada ginčija mintį, kad apribojimai iš esmės riboja modelio efektyvumą. Sumažindamas permontavimo riziką ir užtikrindamas nuoseklumą su ekonomine logika, „Doombot“ yra patikimas įrankis politikos formuotojams stebėti ir sušvelninti recesijos riziką.
„Doombot“ sėkmė kelia svarbių klausimų būsimiems tyrimams: ar vertinimo suvaržymai gali panašiai pagerinti mašininio mokymosi programas kitose makroekonomikos srityse? Išnagrinėjus tai galėtų būti sudarytos sąlygos patikimesnėms ir aiškinamesnėms ekonomikos prognozėms, įskaitant mūsų gebėjimą numatyti ir reaguoti į ekonomikos nuosmukį.
Nuorodos
Abreu, I (2011), „Tarptautinių organizacijų ir privačių analitikų prognozės: įvertinimas“, Banco de Portugal darbo dokumentai, 20/2011 m. liepos mėn.
An, Z, J Jalles ir P Loungani (2018), „Kaip gerai ekonomistai prognozuoja recesijas?“, TVF darbo dokumentas WP/18/39.
Chalaux, T ir D Turner (2024), „Doombot versus kiti mašininio mokymosi metodai vertinant recesijos riziką EBPO šalyse“, EBPO Ekonomikos departamento darbo dokumentas Nr. 1821.
Delle Monache, D, A De Polis ir I Petrella (2022), „Modeling and Forecasting Macroeconomic Downside Risk“, CEPR diskusijų dokumentas DP15109.
Estrella, A ir FS Mishkin, (1996), „Pajamingumo kreivė kaip JAV nuosmukio prognozė“, Ekonomikos ir finansų aktualijos 2(7), Niujorko Federalinis rezervų bankas.
Fildesas, R ir H Stekler (2002), „Makroekonomikos prognozavimo būklė“, Makroekonomikos žurnalas 24(4): 435-468.
Fornari, F ir W Lemke (2010), „Recesijos tikimybių numatymas su finansiniais kintamaisiais per kelis horizontus“, ECB darbo dokumentas Nr. 1255, spalis.
Hamilton, J (2010), „Calling recessions in real time“, VoxEU.org, liepos 18 d.
Hermansen, M ir O Röhn (2016), „Ekonominis atsparumas: ankstyvojo įspėjimo rodiklių naudingumas EBPO šalyse“, OECD Journal: Economic Studies 2016(1): 9-35.
Nyberg, H (2010), „Dinaminiai probito modeliai ir finansiniai kintamieji prognozuojant recesiją“, Prognozavimo žurnalas 29: 215–30.
Pike, T ir F Vazquez-Grande (2019 m.), „Recesijos tikimybės modelių efektyvumas iš imties ribų“, FEDS pastabos, Vašingtonas: Federalinių rezervų sistemos valdytojų taryba, gruodžio 13 d.
Summers, L ir A Domash (2022), „Perkaitimo sąlygos rodo didelę JAV recesijos tikimybę“, VoxEU.org, balandžio 13 d.
