情景综合与宏观经济风险（英）

金融与经济学讨论系列 美联储理事会，华盛顿特区ISSN1936-2854 （印刷）ISSN2767-3898（在线） 场景合成与宏观经济风险 托比亚斯·阿德里安、多梅尼科·吉安诺内、马特奥·卢西亚尼和迈克·韦斯特 2025-036 请引用这篇论文： 托比亚斯·阿德里安、多梅尼科·吉安诺内、马特奥·卢西亚尼和迈克·韦斯特（2025年）。“Sce-nario合成与宏观经济风险，”金融与经济讨论会- ries2025-036.华盛顿：美联储理事会https://doi.org/10.17016/FEDS.2025.036. 注意：金融与经济讨论系列（FEDS）中的员工工作论文是初步材料，用于激发讨论和批判性评论。所提出的分析和结论是作者的观点，并不表示研究团队其他成员或理事会成员的同意。出版物中对金融与经济讨论系列（除致谢外）的引用应获得作者（们）的批准，以保护这些论文的初步性质。 场景合成与宏观经济风险 托比亚斯·阿德里安, 1 多梅尼科·吉亚诺内， 2 马特奥·卢基安尼 3 迈克·韦斯特 4 2025年5月9日 摘要 我们介绍一种方法论，以连接情景分析与基于模型的预测，利用它们在政策设定方面的各自优势。我们的贝叶斯框架解决了协调判断性叙述方法与统计预测的根本挑战。分析评估情景与参考预测模型的一致性明确指标，提供贝叶斯预测合成以使情景最佳匹配该参考，并处理情景集不完整性。这奠定了从不同情景系统地评估和整合风险的基础，并量化了在定义的参考预测范围内的相对情景支持度。该框架为政策机构提供了预测方面的进步，支持对不断变化的风险进行清晰和严谨的沟通。我们还讨论了在面对意外情况时，如何将判断性信息与统计模型预测相结合的更广泛问题。 关键词：宏观经济预测，情景混合，错分率，熵倾，贝叶斯预测综合，判断预测，预测风险评估 1 托比亚斯·阿德里安国际货币基金组织货币与资本市场部门总监，美国华盛顿特区西北700第19街，邮编20tadrian@imf.org 2 多梅尼科·吉安诺内,联合国货币基金组织副导演700N19thStreet,Washington,DC20431,美国dgiannon2@gmail.com 3 马特奥·卢西亚尼,联邦储备系统理事会首席经济学家20街和宪法大道西北,华盛顿特区,DC20551,美国matteo.luciani@frb.gov 4 迈克·韦斯特,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 免责声明本文所表达的观点是作者的观点，并不一定反映理事会的观点和政策，美国的联邦储备系统、国际货币基金组织理层或其执行董事的观点和政策。 1引言 宏观政策机构如中央银行严重依赖预测方法。货币政策制定者定期获得关于经济前景、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赖结构宏观经济学模型、简化形式实证模型和判断方法来准备此类货币政策简报。中央预测作为替代政策路径讨论的基础，风险平衡则基于情景分析更松散地讨论。 英格兰银行于1993年率先使用扇形图进行风险沟通；通货膨胀报告通过反映不确定性的图表展示了通货膨胀的中值预测。不确定性区间是根据基线周围的风险的主观评估得出的布立顿等,1998).自1995年以来 ，美国联邦储备委员会的《泰尔书》（TB）将情景呈现为基准预测的扰动。现在，大多数主要央行都在使 用这些方法的某种变体。扇形图和情景分析提出了实际挑战，因为它们需要根据判断频繁更新和量化风险。因此，央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：阿德里安等人,2016,2019;普拉格博格-莫勒等人,2020;阿德里安等人,2022)越来越受欢迎。Tealbook自2017年起已将GaR指标与情景相结合；其他中央银行也除了更依赖判断的情景方法之外（例如， ´费格林和雅罗茨基,2020;兰萨等,2023;艾克曼等,2019;埃格伦-马丁等,2024;安尼斯蒂等,2023;Jondeau等人,2022;亚历山德里等人,2019). 我们在这里的重点是将基于情景的风险平衡讨论与统计预测相结合的正式统计方法。该方法定义了与统计最匹配的基线和情景的综合。参考文献预测分布，后者通常来自GaR和/或一个分位数回归模型。情景合成给每个情景分配权重，量化它们与参考的相对一致性，从而解释为什么一组特定的情景特别相关。该分析还包含一个综合的“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线发布；替代情景通常仅以点预测的形式表示。我们使用贝叶斯决策分析方法的熵倾斜扩展（例如。罗伯逊等,2005;Tallman和West,2022)来定义完整场景预测分布作为扰动基线。 分析进一步探讨了单点预测之外的场景信息，具体是使用反映场景风险的场景尾部百分位数。这关系到场景假设的可取性，这些假设比基线表示了更剧烈的扰动 ´典型（例如，）朱斯蒂亚诺和普里米塞里,2008;费尔南德斯-维拉韦尔德等人,2011;阿德里安和博-yarchenko,2012;他和克里希那穆提,2012;布伦内梅尔和桑尼科夫,2014;Fernandez-Villaverde等,2023,2024用结构模型，和阿德里安等人,2021;卡尔德拉等人,2021; 卡里亚诺等,2024使用合成替代情景，这也部分解决了政策机构所考虑的情景通常仅代表基准值适度扰动的问题。当情景集合未能考虑到统计参考下所支持的风险——尤其是尾部风险——时，这可以作为“红旗”信号。 将基线预测和情景预测与统计参考联系起来，利用贝叶斯预测合成（例如麦克林和韦斯特,2019;约翰逊和韦斯特,2025)来激励一个离散的混合（线性池）基线分布和情景分布的组合，作为基于情景预测的代理。 这种混合物的“匹配”与统计参考分布使用分布之间的中心一致性度量，即预期错分率(EMR)。然后，识别混合权重以优化EMR是一个形式化的贝叶斯决策问题。基于此场景：参考优化指南评估和解释场景的作用 。分析包括明确的统计度量场景集不完整性反映与参考基准的不一致方面的情景合成。这有助于就基线情景和所选情景是否充分反映参考基准所涵盖的所有风险设置政策。 该案例研究借鉴了TB的已发布版本。我们使用了为2007年和2018年12月FOMC会议准备的报告中的数据，分别为2008年和2019年进行预测。遵循TB，我们关注对实际增长的风险。重新分析纳入了其他变量，例如 ´由于通货膨胀和失业率面临风险（亚当斯等人,2021;Kiley,2022;洛佩兹-萨利多和洛里亚,2024）很直接，但超出了我们此处的主要范围。我们的详细示例突出了情景权重的生成，这些权重反映了与参考的符合程度，同时也涉及情景集不完整的问题。后者的一个示例突出了在2007年和2018年TB中均缺乏一个非常负面、“下行风险情景”。这与我们的分析中对经济不确定度高时的特别关注有关，因此确定一个适当的基准预测具有挑战性。然后，列出并讨论一系列可能的情景，每个情景都具有根据参考匹配分配的概率，为在不确定性下的知情决策提供了更丰富的视角。 我们的分析将基准和情景（以及参考）视为既定。在政策实践中，当然，统计预测分布的变化与情景演变故事之间的相互交流为严格检验风险平衡的变化提供了丰富的土壤。这一点已被注意到。伯南克(2023)并与TB相关，其中基于场景的方法在风险平衡和统计预测分布方面分别进行了讨论。正如联邦储备委员会主席杰罗姆·鲍威尔在2025年1月FOMC会议后的新闻发布会上所说， 我们员工做的一件事是他们会考虑一系列可能的结果。[...]会有一个基准，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一些。而这些情景的作用是激发[...]政策制定者去思考和了解[...]围绕我们的不确定性。我们的方法论提供了正式的串扰，可以帮助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强度和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。 章节2讨论基础和概述方法。节3addressespartialscenarioinformation.section4介绍预期误分类率作为分布一致性指标，具有基础性见解。节5在完全贝叶斯框架下发展场景分析的嵌入，具有核心理论总 结和计算实施方面。第6概述了详细案例研究的要点。部分7链接到更广泛的问题，即如何结合判断性信 息与基于统计模型的预测。附录补充了技术和方法论细节。摘要评论定义了该部分。8. 2设置、基础和视角 2.1上下文与目标 兴趣在于预测一个向量结果y，例如基于以下成分的多个未来时间段内数个宏观经济指标路径。 •基于政策的分析产生一个预测密度p(y),简称基线密度.0 相对于基线，政策分析考虑了某集合中的一个备选方案;sce- jSnario，标记的，生成预测密度p(y).这些被视为假设的jj 需要相对于基线的评估场景。•基线是政策设置中的一个给定预测分布，所以不是假设的 S场景；理解了，我们使用和索引j=0用来指定基线。0 •单独地，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),简称参考预测密度. 总目标是确定每个场景与参考的“接近程度”p(y),并根据该评估对它们进行排名。我们介绍的方法论解决了这个问题，它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 政策制定中的贝叶斯决策者可以将情景概率密度函数的集合视为p(y)as“in-j “形成”用于制定政策相关整体预测。这涉及某种形式的池化 在基准情景和替代情景中的预测。此处为贝叶斯预测合成（BPS）的基础理论——以及“混合BPS”模型（麦卡林和韦斯特,2019,2.2节约翰逊和韦斯特,2025)–适用。在BPS下，一个有效的贝叶斯预测 场景混合f(y|分析可以基于一个,即，一个具有概率密度函数α)是一个线性P|∝泳池关于向量中的概率权重αp(y).p(y)αα,f(yα) jjjjj 混合BPS的一个关键理论方面是，它能够解决“场景集”这一广泛问题 S\"(欠-)完整性”。也就是说，一个基线以及所有替代场景0 SiOS被认为与参考不一致p(y).这涉及到“模型集不完整-j “ness”问题在贝叶斯计量经济学中被广泛讨论。BPS理论通过要求一个额外的概率密度函数来扩展初始集并在混合中使用，从而解决这个问题。这在BPS应用中以及其推广到决策指导设置（BPDS：Tallman和West,2023; 切尔尼什等人。,2024)–通过将附加的p.d.f.作为后备那些可以被预期由未来数据所支持，而这些数据并非由初始模型集合很好预测的。上述研究中的示例使用了初始模型概率密度函数的过度分散平均值，并且这种策略可以用于情景分析。在第五节案例研究中，这种后备情景的具体构建如下6提供了一种这种建模策略的示例。 从策略设置中索引替代场景j=1:J−1与基线j=0和现在有j=JS对于所选择的备份p.d.f.，后者被标记尽管它是一种纯粹J 为上述目的所选的合成场景。然后是整体场景混合p.d.f.是 X f(y|α)=αp(y). jjj=0:J (1) 2.3场景预测分布不完整规范 场景p.d.f.sp(y)S通常只有部分被指定。一个常见设置是定义jj 点预测，如均值或中位数，以及带有或不带有不确定性度量（如其他几个分位数）。基础概念是，替代情景代表了经济 S相关的“如果”扰动基线。因此获得此类部分信息j 表示一个修改p(y)以匹配该部分信息。我们的方法旨在识别0 p(y)那个“最接近”基线的p(y）需与该部分场景保持一致j0 信息。进行此方法论的理论基础，详见第3.2，是熵倾（ET：）Tallman和West,2022).自从它被引入罗伯逊等(2005),基于事件时间（ET）的方法论在经济计量学、金融和相关领域的预测中应用日益增多。 ¨´´区域（例如）克鲁格等,2017;梅塔科格鲁等,2018;库普等人,2019;安东林-迪亚斯等人,2021;