本文介绍了将情景分析与基于模型的的风险预测相结合的方法，利用它们在政策制定中的各自优势。该方法采用贝叶斯框架，解决了将主观情景分析与统计预测相协调的基本挑战。
核心观点：
- 目标： 评估情景与参考预测模型的一致性，并量化不同情景的风险，为政策制定提供更清晰的沟通和严谨的风险评估。
- 方法：
- 使用贝叶斯预测合成，将基准预测和情景预测混合，形成最接近参考预测的合成预测。
- 引入预期误分类率（EMR）作为衡量情景与参考预测一致性的指标。
- 通过熵倾斜（ET）方法，将基准预测调整到与情景信息一致的程度。
- 构建一个合成“后备”情景，以解决情景集可能的不完整性问题。
- 案例研究： 使用 2007 年和 2018 年美联储的 Tealbook 情景进行分析，重点关注实际增长率的风险。
- 结果显示，2007 年的 Tealbook 情景与参考预测的一致性较弱，情景集存在约 28-29% 的不完整性，后备情景权重较大。
- 2018 年的 Tealbook 情景与参考预测的一致性较强，情景集更能反映风险和不确定性，后备情景权重较低。
- 分析表明，在经济不确定性较高的时期，需要考虑更极端的情景，以更全面地反映风险。
关键数据：
- 使用纽约联邦储备银行和美联储的参考预测分布，分别基于五分位数进行构建。
- 使用 skew-t 分布拟合参考预测的分位数，并使用中位数和 70% 置信区间的极端值构建基准预测分布。
- 案例研究分别分析了 2007 年和 2018 年 Tealbook 中的 6 个和 4 个情景。
研究结论：
- 该方法为政策机构提供了一个将情景分析与统计预测相结合的有效框架，有助于识别最相关的风险，并以易于理解的故事量化其重要性。
- 后备情景的引入可以解决情景集可能的不完整性问题，并为政策制定者提供“红旗”信号，提示可能存在未被充分考虑的风险。
- 该方法可以扩展到多个变量和多个预测期，并可以处理多种形式的情景信息，例如多个分位数和点预测。
- 该方法可以与其他领域的信息整合，例如调查、市场情报和压力测试，以提供更全面的风险评估。
未来研究方向：
- 将该方法应用于其他领域，例如全球金融稳定评估、投资组合选择、商业收入和供应链预测。
- 扩展技术方法，以处理其他形式的情景信息，例如点预测和情景信息的不确定性。
- 进一步研究在更高维度下进行重要性采样和熵倾斜的可行性。
