制衡因素模型与大数据下的即时预测
制度切换因子模型与大数据下的短期预测 欧默·法鲁克·阿卡巴尔 WP/24/ 190 国际货币基金组织工作报告描述作者（们）正在进行的研究，并发布以引起评论和鼓励辩论。国际货币基金组织（IMF）工作论文中表述的观点为作者（们）的个人观点，并不必然代表IMF、其执行董事会或IMF管理层的观点。 2024九月 国际货币基金组织工作论文RES 制式切换因子模型与大数据下的即时预测* 由Omer Faruk Akbal 撰写 经Petia Borissova Topalova授权分发，2024年6月 国际货币基金组织工作报告描述作者（们）正在进行的研究，并公开发表以引发评论和促进讨论。在IMF工作论文中表述的观点为作者个人观点，并不必然代表IMF、其执行董事会或IMF管理的观点。 摘要：本文表明，与其它估计方法相比，用于状态切换动态因子模型的期望最大化（EM）算法在性能上令人满意，并在准确性和速度之间取得了良好的平衡，这使得它在处理大规模数据时特别有用。与传统的数值最大化方法不同，此方法得益于参数估计的闭式解，增强了其实际应用价值，尤其是对于实时应用和历史数据练习，并专注于频繁更新。在针对历史美国数据的现在预测应用中，我研究了在十五年的数据发布周期后，每次数据发布后状态切换模型的信度和相对性能，这仅得益于所提估计方法的时间效率。尽管现有文献已经承认了现在预测模型在状态切换下的性能改进，但本文表明，在关键经济指标发布时观察到的现在预测性能尤为出色。在回溯练习中，我展示了该模型即使拥有比实际委员会会议更少的信息，也能与NBER的经济衰退开始和结束日期紧密匹配，随着可用信息的增加，实际日期与模型估计之间的拟合变得更加明显，并且经济衰退结束日期在滞后三到六个月后得到完全覆盖。鉴于本文提出的EM算法适用于各种状态切换配置，本文为经济学家和政策制定者提供了一种有价值的工具，用于对大规模数据集进行从点估计到信息分解和经济衰退持续性的全面分析。 推荐引用：奥马尔·法鲁克·阿卡巴尔，2024年，“制度转换因子模型和当前预测关于“大数据”。国际货币基金组织工作论文 WP/24/XX。 工作论文 制度切换因子模型与大数据下的短期预测 由Omer Faruk Akbal 编制1 目录 1. 引言...........................................................................................................................................42. 相关文献.................................................................................................................................53. 方法论.........................................................................................................................................63.1. 定义和符号.....................................................................................................................73.2. 制度切换DFM的估计............................................................................................83.2.1. 期望步骤....................................................................................................................83.2.3. 混合和缺失数据的修改............................................................................143.3. 方法的性能...................................................................................................144. 美国旧数据的应用.....................................................................................................164.1. 结果与讨论..................................................................................................................175. 结论................................................................................................................................................20 附件 .................................................................................................................................................................22 参考文献.........................................................................................................................................................23 图表 图1：模型复制练习..................................................................................................................15图2：扩展窗口RMSE和实时衰退概率.....................................................18图3：每个数据发布扩展窗口RMSE和实时衰退概率.........................................19图4：实时衰退概率和NBER衰退日期.........................................................19图5：衰退概率回溯...............................................................................................20 表格表 1：两种估计方法的估计时间 ...........................................................................15 表 2：两种估计方法的估计时间 ...........................................................................15 表 3：变量 ...............................................................................................................................................17 1. 引言 GDP可以说是研究人员和政策制定者密切关注以衡量经济活动最重要的宏观经济指标。大量文献探讨了预测总产出各种方法的现在，因为GDP估计通常会有所延迟。在众多方法中，通过利用高频数据的共同成分，即因子模型方法，已经变得非常流行。 在现在casting的背景下，Giannone等人（2008年）提出了一种系统方法，用于利用大维度数据来估计经济活动，这成为了纽约联邦储备银行进行现在casting的平台，直到COVID-19大流行期间其暂停。这些因子模型在处理大量数据以估计总体经济活动方面显示了其有效性，同时避免了传统经验模型中的自由度问题。然而，COVID-19大流行揭示了单一经济周期动态因子模型（DFM）的不足，这些模型无法适应商业周期的转折点和经济结构的变动。另一方面，制度切换的设置提供了一个直观的解决方案，因为它本质上可以适应不同经济结构下的新信息，并内生地捕捉转折点。 商业周期转折点自Burns & Mitchell（1946）以来一直是研究的热点。Harding & Pagan（2002）、Stock & Watson（2010）和Stock & Watson（2014）提供了理解这些转折点的创新方法，为我们对经济周期的理解做出了贡献。Hamilton（1989）、Diebold & Rudebusch（1996）和Kim & Nelson（1999）提出了制度转换方法，使用具有衰退和扩张期间不对称性的因子模型来衡量经济状态，并为经济状态分析引入了新的维度。后者使用一步法估计模型，该方法结合了卡尔曼滤波器和哈密顿滤波器来在一个统一框架中估计因子和制度概率。尽管增加数据维度具有处理额外信息的优势，但由于Kim & Nelson（1999）提出的一步法依赖于近似似然函数的数值最大化，随着模型维度的增加，其计算成本变得过高。为了解决这个问题，Diebold & Rudebusch（1996）、Camacho等（2015）和Doz & Petronevich（2016）后来提出了两步法或“简捷”一步法，其中第一步是在线性模型假设下提取因子，第二步是通过与Hamilton（1989）相同的方法估计模型，因为给定因子，动态因子模型可以写成VAR。我表明，这种“简捷”假设可能过于强烈，可能会错过转折点。这些研究表明，在现在预测中，必须仔细权衡准确性和速度之间的权衡。为了克服这一点而不依赖于数值程序，本文提出了一种迭代过程，具有封闭形式的解，以提供一种高效且准确估计的方法。 本文通过提出期望最大化（EM）方法来估计能够容纳混合频率数据和缺失数据问题的状态空间模型，从而对文献作出了贡献。 为应用，我首先推导出所需缺失项，以完成Kim & Nelson (1999)提出的滤波器和光滑器设计的EM应用。然后，我表明相对于其他估计方法，EM算法提供了令人满意的性能，并提供了准确性和速度之间的良好权衡，这使得它在涉及大量数据实时应用中尤其有用。在一个对老旧美国数据的适用中，我表明制度切换的修改在COVID-19中断后的时期内也承诺改善了预测性能，甚至在纽约联邦储备银行暂停发布现在预测模型释放的时期。制度切换模型显示出卓越的现在预测性能，尤其是在关键经济指标发布时。此外，即使在比实际委员会会议较少的信息下，制度切换现在预测模型也能密切匹配NBER的经济衰退日期。这允许政策制定者采取先发制人的措施。在逆向分析实验中，我表明随着额外可用的信息的增加，实际NBER衰退日期与模型衰退估计之间的拟合变得更为明显。 本文结构如下。第二章回顾了动态因子模型和近似的文献。第三章概述了估计滑动窗口DFM的方法，讨论了处
