情景综合与宏观经济风险

情景合成与宏观经济风险 TobiasAdrian,DomenicoGiannone,MatteoLuciani,MikeWestWP/25/105 IMFWorkingPapers描述研究在作者(s)的进展，并发布到 征集评论并鼓励辩论。 IMFWorkingPapers中表达的见解是那些属于作者(s)的，并不一定 代表国际货币基金组织的观点及其执行董事会，或IMF管理层。 2025 MAY ©2025国际货币基金组织WP/25/105 IMFWorkingPaper货币和资本市场 情景综合与宏观经济风险，由托比阿斯·阿德里安（TobiasAdrian）、多梅尼科·吉安诺内（DomenicoGiannone）、马特奥·卢卡尼（MatteoLuciani）和迈克·韦斯特（MikeWest）撰写 经多明科·吉亚诺内授权于2025年5月发布 IMFWorkingPapers描述作者正在进行的科研项目，并发布以征求评论和鼓励辩论。IMF工作报告中表达的观点是作者的观点，不一定代表国际货币基金组织、其执行董事会或国际货币基金组织管理层的观点 。 摘要：我们开发了一种方法论，以连接情景分析与风险预测，利用其在政策设置中的各自优势。该方法论基于贝叶斯分析，解决了调和判断性叙事方法与统计预测的根本性挑战。分析评估了情景与参考预测模型一致性的明确指标，对情景进行预测性综合以最佳匹配该参考模型，并处理情景集不完整性问题。这提供了一个框架 ，可系统评估并整合不同情景中的风险，有助于政策机构进行预测，同时支持对风险演变进行清晰且严谨的沟通。我们还讨论了在面对尚未建模的情况下，整合判断性信息与统计模型预测的更广泛问题。 JEL分类号： C53,E27 关键词： 宏观经济预测；情景组合，错误分类利率、熵倾斜、贝叶斯预测综合、判断预测，预测风险评估 作者电子邮件地址： dgiannone@imf.org,tadrian@imf.org ：“作者（们）希望在适用情况下致谢。” 工作论文 情景合成与宏观经济风险 由托比亚斯·阿德里安编制1,多梅尼科·吉安诺内,马特奥·卢西亚尼,迈克·韦斯特 1TobiasAdrian,国际货币基金组织货币与资本市场部副主任70019街西北,华盛顿特区20431,美国 tadrian@imf.org 2DomenicoGiannone,助理主任,国际货币基金组织70019thStreetNW,华盛顿,DC20431,美国dgiannon2@gmail.com 3MatteoLuciani,联邦储备系统理事会首席经济学家20街和宪法大道西北区,华盛顿特区20551,美国matteo.luciani@frb.gov 4MikeWest,杜克大学统计学与决策科学名誉杰出教授,北卡罗来纳州达勒姆,27708,美国。mike.west@duke.edu 免责声明本报告所表达的观点为作者个人观点，不一定反映理事会、联邦储备系统或国际货币基金组织的观点和政策及其管理层或执行董事会的观点和政策。 1引言 宏观政策机构如中央银行高度依赖预测方法。货币政策制定者定期收到关于经济前景、替代政策路径以及中央预测周围风险平衡的简报。中央银行工作人员依靠结构性宏观经济模型、简化型实证模型和主观方法来准备此类货币政策简报。中央预测用作替代政策路径讨论的基础，风险平衡则基于情景分析更为松散地讨论。 英格兰银行于1993年率先使用扇形图进行风险沟通；通胀报告中用图表展示通胀的中央预测，并体现不确定性。不确定性区间源自对基准线周围风险的判断性评估（Britton等人,1998).自1995年以来，美国联邦储备委员会的Tealbook（TB）一直将情景呈现为基准预测的扰动。目前，大多数主要中央银行都在使用这些方法的某种变体。扇形图和情景分析面临着实际挑战，因为它们需要根据判断进行频繁的更新和风险量化。因此，中央银行越来越依赖统计方法来预测宏观经济风险。\"风险下的增长\"（GaR：Adrian等人,2016,2019;Plagborg-Moller等,2020;Adrian等人,2022)越来越受欢迎。自2017年以来，Tealbook已经将GaR指标与情景相结合；其他中央银行也已在使用GaR方法，除了一些更具主观性的情景方法（例如， ´ FigueresandJarocinski,2020;Lenza等人,2023;Aikman等,2019;Eguren-Martin等人,2024; Anestietal.,2023;Jondeauetal.,2022;Alessandri等人,2019). 我们的重点在于采用一种正式的统计方法，将基于情景的风险平衡讨论与统计预测相结合。该方法定义了最能匹配统计的基线情景的综合。reference：预测分布，后者通常来自GaR和/或分位数回归模型。情景综合为每个情景分配权重，量化其与参考的相对一致性，从而解释为何某一组情景特别相关。该分析还结合了一个综合的“后备”情景，旨在解决定义情景集的潜在不完整性 。在实践中，不确定性度量通常仅针对基准情景发布；替代情景通常仅以点预测表示。我们使用贝叶斯决策分析方法熵倾斜的扩展（例如Robertson等,2005;TallmanandWest,2022)将完整场景预测分布定义为对基线扰动。 分析进一步探讨了超越单一点预测的场景信息，具体是使用反映场景风险的场景尾部百分位数。这关联到场景假设的可取性，这些假设代表了比基准更剧烈的扰动。 ´ 典型（例如）Justiniano和Primiceri,2008;Fernandez-Villaverde等人,2011;Adrian和Bo-yarchenko,2012;他与克里希南穆提,2012;BrunnermeierandSannikov,2014;Fernandez-Villaverde等。,2023,2024withstructuralmodels,andAdrian等人,2021;Caldara等人,2021; Carriero等人,2024采用简化形式模型)。我们使用综合后备情景，也部分解决了政策机构所考虑的情景通常仅代表基准情况小幅扰动的现象。当情景集未能涵盖统计基准所支持的（尤其是尾部风险）时，该情景可作为“警示信号”。将基准和情景预测与统计基准联系起来，利用贝叶斯预测 合成（例如）麦卡林和韦斯特,2019;约翰逊和韦斯特,2025)来激励一个由基准分布和情景分布组成的离散混合（线性池）作为基于情景预测的代理。 这种混合物与统计参考分布的“匹配”使用了一种衡量分布之间一致性的中心指标，即预期的错误分类率(EMR).确定混合权重以优化EMR则是一个形式化的贝叶斯决策问题。基于此情景-参考优化指南评估和解读情景作用，相对情景概率由此得出。该分析包括明确的统计指标。场景设置不完整反映情景合成与参考标准的偏离方面。这有助于在政策制定方面确定基线情景和所选情景是否充分反映了参考标准所涵盖的所有风险。 该案例研究借鉴了已发布的《总需求》版本。我们使用了2007年和2018年12月联邦公开市场委员会会议准备的报告数据，分别对2008年和2019年进行了预测。遵循《总需求》的框架，我们重点关注对实际增长构成的风险。重新分析纳入了其他变量，例如 ´ asinflationandunemploymentatrisk(Adams等,2021;Kiley,2022;Lopez-Salido和Loria, 2024\"))是直白的，但超出我们此处的主要范围。我们的详细案例突出了情景权重的生成过程，这些权重反映了与参照系的相符程度，同时也探讨了情景集不完整性的问题。后者的一个案例突显了在2007年和2018年TB中均缺乏一个非常负面的、“下行风险情景”。这与我们的分析中经济不确定性较高时的特殊关注点相关，因此确定一个合适的基线预测极具挑战性。接着，列出一个概率分配范围（基于参照系匹配），并对一系列可能的情景进行分析，这为在不确定性下的明智决策提供了更丰富的视角。我们的分析将基线预测和情景（以及参照系）视为既定条件。在政策实践中， 当然，统计预测分布变化与场景演变叙事之间的反复互动为严谨审视风险平衡变化提供了丰富的土壤。这是所注意到的伯南克(2023)并与结核病(TB)相关，在那里，基于场景的方法在平衡风险和统计预测分布方面被分别讨论。正如联邦储备委员会主席杰罗姆·鲍威尔在2025年1月联邦公开市场委员会会议后的新闻发布会上所提到的， 我们员工所做的一项工作就是审视一系列可能的结果。[...]会设定基准情景，然后他们会展示六七 个替代情景，包括非常好的和不太好的情景。而这一切的作用是激发[...]政策制定者去思考和了解[...]我们面临的种种不确定性。我们的方法论提供了正式的跨学科交流，有助于政策机构中的宏观经济工作人员：它结合了叙事场景的沟通力量与预测模型的统计严谨性，通过易于理解的故事识别最相关的风险，并量化这些故事的相关性。 Section2讨论了基础和概述了方法。章节3addressespartialscenarioinformation.Section4介绍了预期错误分类率作为分布一致性指标，并提供了基础见解。第5开发在完全贝叶斯框架下 情景分析的嵌入，包含核心理论总结和计算实现方面的内容。第6总结了详细案例研究的关键 方面。章节7与综合判断信息相结合的统计模型预测的更广泛问题相关。附录补充了技术和方 法细节。摘要评论定义了部分。8. 2环境、基础和视角 2.1背景与目标 兴趣在于预测矢量结果y例如，基于以下成分的多个未来时间段内若干宏观经济指标的变化路径 。 •基于政策的分析方法产生预测密度p(y),referredtoasthe基准密度. 0 •与基线相比，政策分析考虑了一套中的每一个备选情景;场景jS ,被标记为,生成预测密度p(y).这些被视为假设性的 jj 需要评估的场景相对于基线。•基线是政策设定中给定的预测分布，因此并非假设性的。 S 情景；理解了，我们使用和指数j=0以指定基线。 0 •另外，一个统计模型（例如，统计GaR分析）产生一个完整的预测密度p(y),referredtoasthe引用预测密度. overarchinggoalistoidentify“closeness”ofeachscenariotothereferencep(y),并就该项评估进行排名。我们引入的方法论旨在解决这一问题，其建立在当前正在讨论的基础统计概念和模型发展之上。 2.2场景混合与贝叶斯预测合成 一个在政策制定中的贝叶斯决策者可以将一组场景概率密度函数视为p(y)as“in- j ：“formation”来形成政策相关总体预测。这涉及某种形式的pooling 在基线情景和替代情景下的预测之中。此处为贝叶斯预测综合（BPS）的基础理论——以及“混合BPS”模型（麦卡林和韦斯特,2019,第2.2节;约翰逊和韦斯特,2025)–适用。根据BPS，一个有效的贝叶斯预测 | 分析可以基于一个场景混合,即，一个具有概率密度函数的分布。f(yα)thatisalinearP 混po合olBoPftSh的e一)个关键理论方面是，它能够回答“场景集”这一广泛问题。 Sp(y关于概率权重α在一个向量中α,namelyαp “f不(完y整| 0jj jSj 性α”)。∝也(就y是.说，一个基准设定以及所有替代场景 j考虑的iOS与参考不一致。p(y).这与“模型集不完整- j “ness”问题在贝叶斯计量经济学中广泛讨论。BPS理论通过要求一个额外的概率密度函数来扩展初始集合，并在混合中使用它来解决这一问题。这一点在BPS应用及其推广到决策引导设置（BPDS：TallmanandWest,2023; Chernisetal.,2024)–bystructuringtheadditionalp.d.f.asa安全网预计将得到未来数据的有力支持，而这些数据的预测性并不如初始模型集预测得那么精确。