情景综合与宏观经济风险

情景合成与宏观经济风险

本文提出了一种结合情景分析与风险预测的方法论，旨在利用两种方法在政策设置中的各自优势。该方法基于贝叶斯分析，解决了调和判断性叙事方法与统计预测的根本性挑战。

核心观点

• 方法论基础：基于贝叶斯分析，通过熵倾斜（ET）扩展，将情景分析与统计预测相结合。
• 关键指标：预期错误分类率（EMR）用于评估情景与参考预测模型的一致性。
• 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，并处理情景集不完整性问题。
• 后备情景：引入综合“后备”情景，解决定义情景集的潜在不完整性，尤其在经济不确定性较高时。

案例研究

• 数据来源：使用2007年和2018年12月美联储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年进行预测。
• 分析重点：对实际增长构成的风险进行分析，重新分析纳入了通胀和失业率等变量。
• 结果：2007年Tealbook情景集的EMR较低（0.43），表明其与参考基准的一致性较弱，后备情景权重较大；2018年Tealbook情景集的EMR较高（0.48），一致性较强，后备情景权重较低。
• 结论：在经济不确定性较高时，情景集可能未能充分反映参考框架中的风险，需要综合后备情景进行补充。

研究结论

• 该方法论为政策机构提供了一个框架，可系统评估并整合不同情景中的风险，有助于进行预测并支持对风险演变的清晰沟通。
• 通过将判断性信息与统计模型预测相结合，该方法论在货币政策制定中具有实用价值，并为其他领域的风险管理提供了新的思路。
• 未来应用可扩展到多个维度和更复杂的情景信息，例如多个经济指标和多个未来时间段，以及点预测和百分位数等不同形式的情景信息。