平均通胀目标制：在多大程度上审视过去和未来？

平均通胀目标：过去和未来应看多远？ 弗朗蒂谢克·马塞克，扬·泽米尔卡 免责声明：本报告不应被视为代表欧洲中央银行（ECB）的观点。所表达的观点是作者的个人观点，并不一定反映ECB的观点。 摘要 我们分析了在行为THANK模型中平均通胀目标规则下的最佳窗口长度。央行面临着偶尔的约束性有效下限（ELB）或持续的供给冲击，并且还可以使用量化宽松。我们表明，在传统程度的短视情况下，最佳平均期是无限长的。对于更高的认知折现，有限但持续时间长的窗口占主导地位；即，组成属性被证明对偏离理性预期具有定性抵抗力。我们指出，最佳窗口可能取决于返回目标路径的速度。我们既在局部又在全局上解决了模型，以解开ELB引起的不确定性的影响。在历史依赖性的程度上，解决方案技术之间的福利损失差异显著降低。 关键词：货币政策，平均通货膨胀目标制，异质代理人，行为宏观经济学 JEL分类：E31, E32, E52, E58, E71 非技术摘要 2020年8月，美国联邦储备系统在货币政策策略上的变化引起了人们对平均通胀目标（AIT）规则的广泛关注（参见联邦储备系统,2020）。货币政策策略的改变是长期研究响应低自然利率环境和有效下限（ELB）情况下的货币政策规则的结果。尽管价格水平目标（PLT）在早期被研究得最多，但后来AIT受到了更多的审查，因为它被许多人视为通货膨胀目标（IT）和PLT之间的中间地带。 美联储新框架的一个引人注目的特征是缺乏一个具体规定的平均通胀窗口长度。在本文中，我们分析了在一个在货币政策方面表现现实的模型中，改变历史依赖程度对福利的影响。此外，我们还分析了平均通胀回到目标路径的速度对影响。虽然窗口长度已在其他文章中进行了研究（参见Budianto等人,2023;安野等人,2020;Coulter等,2022据我们所知，我们是最先研究平均窗口和返回目标速度相互作用的研究团队。 我们的分析利用了一个新凯恩斯模型，该模型解决了标准理性代理新凯恩斯（RANK）模型中的两个问题。我们使用了家庭可处理异质性的方法。Bilbiie(2024）以及认知折现加巴伊克斯 (2020). 因此，我们的模型可以在保持现代货币政策冲击的放大与异质代理人新凯恩斯（HANK）文献得出的发现一致的同时，解决前瞻性指导的谜团。在未来的和当前的货币政策方面，模型表现现实。解决前瞻性指导的谜团对于我们分析的有效性至关重要。 考虑到自然利率冲击和政策利率的下限，如果仅施加适度的认知折现，则最佳平均期限是无限长（即PLT是最佳的）。为了减轻有效下限（ELB）的情况，我们通过允许中央银行在经济达到下限时使用量化宽松（QE）来扩展基准分析。量化宽松并不改变核心结果。 尽管如此，我们发现在预期形成中包含过去的通货膨胀结果时，得到了相同的结果，而且偏离了理性预期均衡的状态更加明显。 考虑到以下证据：Coibion et al.(2023) 美国家庭对美联储关于通货膨胀目标路径（AIT）公告的误解，我们研究了更强认知贴现的影响。我们证明，在预期形成中的短视程度仅从定量上改变了通货膨胀目标路径（AIT）与通货膨胀目标（IT）之间的福利比较。更高的短视程度会减弱AIT相对于IT的优势。然而，我们表明，只要央行不试图过于迅速地缩小平均通胀与目标路径之间的差距，IT并不会产生比AIT更低的福利损失。AIT与IT之间的福利损失差异显著减少，但AIT仍然具有优势。 我们的结果与Budianto等人(2023), 在认知折扣程度较高的情境下，较短的窗口长度更靠近信息技术（IT）时，福利优势更为明显。这种差异源于货币政策规则的不同。在Budianto等人(2023)，央行在最优自由裁量权下进行货币政策操作。我们采用反馈规则，并将响应参数校准到平均通货膨胀，以便央行有更多时间回归目标路径。相比之下，在Budianto等人(2023), 中央银行在考虑了最优的决策设定后，立即选择与目标路径一致的通货膨胀率。相比之下，Budianto等人(2023), 我们强调在分析化妆规则时，假设目标路径返回速度的重要性。 为将因存在有效下限（ELB）而产生的向下通胀偏见分离出来，我们分别在局部和全局上求解模型。局部解与全局解之间的差异解释了未来触及ELB的不确定性影响。不同解决方案之间的福利损失差异在历史依赖程度上显著减小：AIT有助于减轻向下通胀偏见。然而，随着外生风险被更多地贴现，这种差异开始消失，当更强的认知贴现开始生效时。 1 引言 近年来观察到的自然利率下降，将注意力转向了可能更适合存在政策利率有效下限（ELB）世界的替代货币政策规则。这些规则被称为“补偿性规则”，例如价格水平目标（PLT）和平均通胀目标（AIT）。12AIT甚至已成为美国联邦储备委员会的新货币政策策略（见美联储,2020).3 随着美联储进入新的货币政策审查阶段，我们旨在阐明两个尚未得到充分解决的AIT关键组成部分。首先，我们研究了AIT的最优窗口长度。美联储并未提供任何明确的期限，表明其打算在此期间平均通货膨胀。利用一个具有有限理性扩展和家庭方面的异质性的新凯恩斯模型，我们表明，只要理性预期的偏差不是显著的，福利最优的平均期限是无限的（相当于PLT）。4有趣的是，即使我们进一步偏离理性预期（更强的认知折扣），加巴伊克斯(2020)), 最佳窗口长度仍然持续较久，且更接近于PLT而非IT。我们表明，补妆规则可能相对抵抗于对理性预期形成的偏离。PLT和AIT相对于IT的优势有所缩小，但并未完全消失，即使在严重的近视程度下。在这方面，我们的结果与最近对AIT的分析存在差异。Budianto等人(2023), 证明更强的认知折现会导致更短的最优窗口长度。 化妆规则的第二个特征是我们研究的目标路径回归速度的影响。我们提供对回归速度与目标路径之间差异的解释。Bu- dianto 等人(2023（）以及我们基于货币政策反应差异的结果。虽然Budianto等人(2023允许央行在最优自主决策下运作，我们采用标准的反馈规则。泰勒(1993我们强调，这种差异对平均通胀率回归目标路径的速度有深远影响。在最优决策下，回归被视为即时发生，而泰勒规则通过改变弹性参数的值来允许其变体。我们表明，我们的结果与以下内容一致：)Budianto等人(2023) 仅在泰勒规则参数的不切实际高值下；仅在中央银行希望极快地弥合平均通胀与其目标路径之间的差距时。据我们所知，我们是首次讨论平均期限与回归目标路径速度之间的相互作用。 此外，我们排除了在认知折现强烈且央行希望快速将平均通胀推至目标路径时的预期渠道恶化解释。有人可能会认为这会引发政策利率的更强烈反应（因为由于更严重的短视，实际利率没有充分移动），从而导致产出和通胀的更高方差。然而，我们记录了这种直观的解释并不符合我们的结果，也不符合其他研究的结果。Budianto等人(2023在强烈的认知折价和快速回报速度下，并非主要由于表现较差的美容规则，而是更短的窗口长度接近信息技术（IT）能以更优越的方式表现。信息技术优越性的原因是，拥有非常迅速的政策率反应（泰勒规则系数的高值）的IT在低利率环境（ELB）下表现出强烈的短视效应，运作效率极高。 我们的结果显示，在预期通胀偏差较大时，化妆规则可能是一项理想的政策工具，即便代理商的预期形成方式与理性预期偏离。我们也强调，如果央行实施持续的AI Target（AI目标）或PL Target（PL目标），返回速度并不实质性地影响福利。然而，我们认为需要对化妆规则的特征进行更多深入分析，因为截至目前，讨论主要集中在中期平均值的长短，而不是返回目标路径的速度。我们还展示了，对于通胀在IT（通胀目标）的偏离，采取更强烈的反应可能提供另一种处理ELB（预期利率下限）的方法，而无需必然转向化妆规则。 此外，除了我们主要的结果之外，我们进行了各种扩展研究。我们表明， 主要结果在我们在预期形成中包含一个面向过去的成分，或者在当经济达到充分就业水平（ELB）时允许中央银行也使用非常规货币政策（QE），时保持不变。所有基准模型的基本改动都没有在定性方式上改变核心结果。 作为额外结果，我们量化了所谓的通缩（或通货膨胀下降）偏差的幅度，这在ELB文献中发挥了重要作用（参见Eggertsson,2006;Penalver and Siena,2024). 为了分离由于存在ELB（有效最 低利率）而产生的偏差，我们同时在本地和全局范围内求解模型。两种解之间的差异解释了未来触及ELB的不确定性影响。解决方案技术之间的福利损失差异在历史依赖程度上显著降低。换句话说，AIT（自适应通胀目标）有助于缓解向下的通胀偏差。然而，随着不确定性的折扣增加，这种差异开始消失。 相关文献。在NK框架内对人工智能技术（AIT）的先导性分析可以找到。Nessén and Vestin(2005). 作者表明，在纯粹的前瞻性框架中，PLT（预测领先时间）主导AIT（加速度惯性理论）。然而，当向后看和向前看的成分都在菲利普斯曲线中混合时，AIT可能优于IT（惯性理论）和PLT。 Budianto等人(2023研究通货膨胀的福利最优平均窗口长度。作者们使用行为新凯恩斯模型进行工作。加巴伊克斯(2020）以缓解货币政策预期渠道强度的作用。他们的分析结果表明，只要认知折现参数不太小（即认知限制不高），人工智能（AIT）的表现优于迭代时间（IT）并提高代理人的福利。结果产生的最佳平均窗口长度是无限的。然而，当近视水平较高时，最佳平均周期变为有限，转为使用人工智能（AIT）获得的收益要小得多。Do- brew 等(2023也利用加巴伊克斯(2020) 并得出结论，在更强的近视度数下，化妆规则相对于IT的优势丧失。然而，他们强调，对于AIT的指数移动平均（MA）的表现显著优于算术平均（MA）。 Feiveson等人(2020分析在人工智能（AIT）和机器学习技术（PLT）下HANK模型的运行行为。他们表明，基于历史数据的策略有助于减轻有效下限（ELB）对失业和通货膨胀的负面影响。在商业周期波动之外，他们还 讨论分配问题。Arias 等人(2020) 和Hebden等人(2020) 还研究美联储审查过程中的资本政策制度，也是如此。Feiveson等人(2020).Arias 等人(2020我们发现，历史依赖型的货币政策制度可能比IT更有益。然而，这 些收益是适度的，作者指出，存在一些可能影响这些策略实际实施的问题。Hebden等人 (2020调查通货膨胀预期形成变化对稳健的美容规则的影响。他们得出结论，即使在大多数公众对货币政策规则一无所知的情况下，历史依赖性策略也可能有效。 《AIT规则》也在一个HANK模型中被研究。Djeutem 等人(2022). 作者表明，在他们的建模框架中，基于历史的规则更优越。只有在中央银行关注其损失函数中的不平等性时，IT和AIT才有可能完全支配基于历史的PLT。贾和吴(2021) 表明美联储新货币框架中缺少精确的窗口长度可能是故意的，并且从中央银行的角度来看可能是有益的。相比之下， 霍纳波亚和麦克朗(2021)表明，与IT或学习类型模型中的PLT等不同构成规则相比，使用人工智能技术可能会引起显著的宏观经济不稳定。 Coulter等(2022分析美联储货币政策框架变化对随后几年通货膨胀激增的影响。采用合成控制法的准实验方法和结构分析方法。Martínez-García(2021) 新凯恩斯模型，他们表明，从IT到AIT在2020年8月的转变只能解释随后几年通货膨胀激增的一小部分。皮尔加利尼(2022) 表明在 AIT 下对遥远过去的重视确保了局部确定性并消除了流动性陷阱情况。 概要。本文其余部分组织如下。第X节2描述了我们用于分析所采用的模型。章节3展示我们的核心结果，以及章节4将它们扩展到预期形成中的向后看成分、非常规货币政策和供给冲击的作用。章节5结论。 2 模型 我们采用一个离散时间扩展的新凯恩斯模型，通过异质和有限理性的元素来提供