核心观点
本文提出了一种将情景分析与风险预测相结合的方法,旨在政策制定中利用两者的优势。该方法基于贝叶斯分析,解决了将主观情景分析与统计预测相协调的根本挑战。
方法论
- 情景混合与贝叶斯预测合成:将基线情景和替代情景的预测密度进行线性组合,形成情景混合分布,作为基于情景的预测代理。
- 预期误分类率(EMR):作为衡量情景与统计参考预测分布之间一致性的核心指标。EMR 越高,表示情景与参考预测分布越一致。
- 熵倾斜(ET):用于根据部分情景信息调整基线预测分布,使其与情景信息保持一致。
- 后援情景:设计一个合成后援情景,以应对情景集合可能的不完整性,特别是尾部风险。
案例研究
- 参考分布:使用纽约联邦储备银行和美联储理事会的预测分布作为参考。
- 基线分布:使用美联储理事会的基线预测,包括点预测和 70% 置信区间。
- 情景:使用 2007 年和 2018 年美联储理事会的情景分析,包括点预测。
- 分析结果:
- 2007 年情景分析中,情景集合与参考预测分布的一致性较弱(EMR=0.43),后援情景权重较高,表明情景集合未能充分反映参考预测中的风险,特别是尾部风险。
- 2018 年情景分析中,情景集合与参考预测分布的一致性较强(EMR=0.48),后援情景权重较低,表明情景集合更能反映参考预测中的风险和不确定性。
研究结论
- 该方法为政策机构提供了一个系统评估和整合不同情景风险的框架,有助于政策制定中的预测和沟通。
- 后援情景在评估情景集合是否完整方面发挥着重要作用,尤其是在经济不确定性较高时。
- 该方法可以扩展到多个变量和多个预测期,并可以与其他形式的情景信息相结合。
其他应用
- 国际货币基金组织的全球金融稳定评估。
- 机构风险管理,如金融监管机构的压力测试。
- 投资组合配置决策。
未来研究方向
- 扩展到其他形式的情景信息,如点预测和不确定性。
- 将该方法应用于更广泛的领域,如商业收入和供应链预测。