Диссертация (1137895), страница 14
Текст из файла (страница 14)
Было проведеносравнение точности прогнозов, полученных с помощью BVAR модели срезультатами оценки альтернативных моделей, включая процесс случайногоблуждания (Random Walk), структурную модель векторной авторегрессии(SVAR), а также векторную авторегрессию, дополненную главнымикомпонентами (FAVAR). Оптимизация параметров модели происходила спомощью минимизации ошибки прогноза по отношению к фактическимданным на выборке, не входившей в оцениваемый интервал (out-of-sampleпрогноз).
В качестве прогнозного диапазона был выбран 12 месячный9AIC - Информационный критерий Акаике, SC – Информационный критерий Шварца, HQ Информационный критерий Ханнана-Куинна80интервал,традиционнорассматривающийсяприпроведениианализаденежно-кредитной политики. Наиболее распространённым подходомвлитературе является сравнение точности прогнозов исследуемых моделей спрогнозом процесса случайного блуждания (“наивный прогноз”). Это связанос тем, что для многих экономических и финансовых серий (обменные курсы,процентные ставки, индексы акций и других индикаторов) модель процессаслучайного блуждания во многих случаях дает более точный прогноз, чемсложные модели, поэтому даже небольшое превосходство по точности (1020%) для более сложных моделей считается хорошим результатом. В связи сэтим ошибки прогноза рассмотренных моделей приводится не в видеабсолютной величины, а в сравнении с ошибками “наивного прогноза”. ВТаблице 2.1 приведены результаты точности прогнозов, полученных спомощью различных методов.Таблица 2.1.
Точность прогноза для различных моделей10Выпуск базовыхотраслейРозничная торговляИнвестицииИнфляцияИндекс ценпроизводителейБезработицаЗарплатыОбъем кредитовСтавка МИАКРМ2Обменный курсSVAR (9BVAR (9BVAR (23 FAVAR (23 BVAR (51 FAVAR (51переменных) переменных) переменных) переменных) переменных) переменных)0.71.11.11.31.51.31.00.61.40.61.10.60.51.20.51.10.41.10.70.91.41.21.01.20.71.70.81.00.71.00.61.01.20.70.40.80.51.10.91.31.00.941.141.31.40.90.51.00.21.31.31.00.50.90.51.2Как видно из результатов оценки, байесовская модель позволяетполучать более точные прогнозы по многим оцениваемым переменным по10Приведены относительные ошибки прогнозов для выбранных переменных.
Показательрассчитывается как RMSEiM RMSEiRW , где i — выбранные переменные, M — модель оценки, RW —модель случайного блуждания.81сравнению с “наивным прогнозом”, SVAR или FAVAR моделями. В то жевремя проведенный нами анализ показывает, что увеличение количествапеременных в модели более определенного числа не приводит ксущественному улучшению результатов оценки. Это связано с тем, чтооценка модели происходит на достаточно небольшом временном интервале,и дополнительные переменные требуют уменьшение коэффициента , что,по сути, означает вырождение модели в процесс случайного блуждания. Такдля BVAR модели с 9 переменными оптимальный параметр близок к 0.2, вто же время для модели с более 20 переменными оптимальный параметрстановится близок 0.05, а для модели с более чем 30 переменнымиоптимальный параметр становится меньше 0.01. Таким образом, при оценкемодели с большим количеством переменных (более 30) приходитсясталкиваться с выбором, либо снижать точность прогноза модели, либотерятьвозможностьэкономическойинтерпретации.Нанашвзглядиспользование в модели порядка 20-30 переменных является оптимальным сточки зрения точности прогноза и экономической интерпретации.
Более того,дальнейшее увеличение модели за счет добавления новых переменных невсегда приводит к увеличению точности прогнозов даже при маленькихзначениях параметра . Результаты оценки BVAR моделей с 23 и с 51переменными показали, что улучшение точности прогнозов произошлотолько по небольшому числу переменных, в то же время по ряду переменныхпроизошло даже ухудшение прогноза. Для FAVAR модели увеличение числапеременных с 23 до 51 привело к улучшению точности прогнозов, что можетсвидетельствовать о том, что эта модель лучше подходит для оценки наочень большом множестве переменных.
В то же время, несмотря нанекоторое улучшение, точность прогноза FAVAR модели с 51 переменнойосталась ниже чем для BVAR c 23 переменной. Данный результат можнообъяснить тем, что используемый набор переменных (23 переменная) ужесодержат большую часть полезной для прогноза информации и добавлениеновых данных дает лишь незначительное улучшение. На наш взгляд, эту82проблему можно попытаться решить с помощью поиска дополнительныхиндикаторов и переменных, содержащих новую полезную для построенияпрогнозов информацию. Это является перспективным направлением длядальнейших исследований в данной области.Точность прогнозов, полученных с помощью моделей, оцененных наквартальных данных, в целом сопоставима с точностью моделей, оцененныхна месячных данных.
В то же время, стоит отметить, что в отличие отмесячного индекса выпуска по базовым отраслям, прогноз квартальныхзначений ВВП более точен, что объясняется большой долей сферы услуг вэкономике (в том числе розничной торговли), динамика которой лучшепрогнозируется (Таблица 2.2).Таблица 2.2. Точность прогноза для квартальных данныхВВПЭкспортИмпортИнфляцияЗарплатыБезработицаМ2МИАКРСтавка покорпоративнымкредитамОбменный курсSVAR (7BVAR(7BVAR (16FAVAR (16FAVAR (53переменных) переменных) переменных) переменных) переменных)1.00.70.60.61.20.81.50.80.80.70.60.30.70.52.83.20.71.33.61.50.91.00.70.70.60.91.61.40.91.41.32.30.50.80.51.31.01.01.01.92.6 Результаты анализа экономической динамики с использованиембайесовской моделиРасширенная спецификация модели включает в себя большоеколичество переменных, которые могут быть разделены на три блока:внешние факторы, переменные денежно-кредитной политики, а такжепеременные реального сектора.
Чтобы учесть влияние дополнительныхфакторов, мы включили в расширенную версию модели уровень выпуска в83обрабатывающей промышленности, уровень безработицы, уровень реальнойзаработной платы и объем валютных интервенций, а также другиепеременные реального и финансового секторов. Для того чтобы учестьэффект от количественного смягчения, проводимого ФРС, в модель былавключена доходность 10-летних облигаций США.
Дополнительно быларассмотрена переменная, отражающая уровень риска для суверенныхоблигаций России (CDS spread). Все результаты, описанные в дальнейшем вэтой главе, получены на основе этой спецификации11: Внешнийсектор:индексволатильностимеждународныхфинансовых рынков VIX, цена на нефть марки Brent, доходность10-летних облигаций США. Макроэкономическиепромышленноепеременные:экспорт,производство,импорт,обрабатывающаяпромышленность, розничная торговля, инвестиции, индекс ценпотребителей, индекс цен производителей, непродовольственнаяинфляция, уровень безработицы, реальные зарплаты. Финансовый сектор: объем корпоративного кредитования,ставкапокорпоративнымкредитам,объемвалютныхинтервенций, объем золотовалютных резервов, доходность 10летних ОФЗ, ставка РЕПО, денежная база, расширеннаяденежная масса (М2), чистый объем задолженности банковскогосектора перед Банком России, обменный курс (RUB/USD),уровень риск-премии (CDS spread).2.6.1 Анализ влияние различных шоков с помощью декомпозициивариацииДляанализарезультатовоценкимоделимывоспользовалисьнесколькими методами.
Во-первых, мы рассмотрели разложение дисперсиипеременных, что позволило оценить вклад каждого из шоков в дисперсию11Более подробная информация об используемых переменных приведена в приложении84интересующих нас индикаторов. Полученные результаты показывают, какойвклад дают внешние факторы, переменные денежно-кредитной сферы ипеременные реального сектора экономики. Вторым методом являютсяфункции импульсных откликов, которые показывают, как изменяютсязначения интересующих нас переменных в ответ на различные шоки. Данныеметоды позволяют проследить взаимосвязь между переменными, а так жеоценить степень влияния различных компонент12.Анализ разложения дисперсии показывает, что внешние факторыиграют достаточно большую роль в объяснении дисперсии многихэкономических переменных, включая производство, инфляцию и обменныйкурс.
Так внешние факторы объясняют до 38% дисперсии в промышленномпроизводстве (через 12 месяцев после шока) и порядка 35% в производстветоваров, в то время как денежные переменные объясняют только 8%(Рисунок 2.4). Также внешние факторы объясняют около 10% дисперсиибезработицы, по сравнению с 3% для монетарных факторов. Влияниевнешних факторов на индекс цен незначительное (около 4%), но при этомвозрастает для индекса цен производителей (до 40%); монетарные факторыобъясняют 10% в дисперсии инфляции и 14% в дисперсии индекса ценнепродовольственных товаров.
Внешние факторы также оказывают большоевлияние на обменный курс рубля (до 43% дисперсии). При этом полученныерезультаты показывают, что волатильность на глобальных фондовых рынкахимеет такое же значение, как и динамика цен на нефть и денежно-кредитнаяполитика в США.Анализ также показывает, что шоки денежно-кредитной политикиимеют ограниченное влияние на реальные экономические переменные встране: от 3% в уровне безработицы до 16% для обменного курса рубля.Однакоданнаяоценкапоказывает влияние случайныхшоков, т.е.12Для проверки устойчивости модели мы также провели оценку на различных временныхпромежутках (например исключили влияние кризиса 2008-2009 гг.); кроме того использовалисьразличные наборы переменных.85неожиданных изменений в денежно-кредитной политики, но не эффект отизменения самой денежно-кредитной политики в ответ на какие-то другиешоки.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
