情景综合与宏观经济风险

,C53, E27宏观经济预测；情景混合，错误分类比率，熵倾斜，贝叶斯预测合成，判断性预测，预测风险评估dgiannone@imf.orgtadrian@imf.org由多梅尼科·吉安农授权于2025年5月发行摘要：我们开发了一种方法论，以连接情景分析与风险预测，利用它们在政策设置中的各自优势。该方法论基于贝叶斯分析，解决了将主观叙事方法与统计预测相协调的根本挑战。分析评估了情景与参考预测模型的一致性显式指标，为最佳匹配该参考而对情景进行了预测性整合，并处理了情景集的不完整性。这提供了一个框架，用于系统地评估和整合来自不同情景的风险，在支持政策机构预测的同时，也支持对不断发展的风险的清晰和严谨沟通。我们还讨论了在面对尚未建模的情况时，将主观信息与基于统计模型的预测相结合的更广泛问题。IMF工作论文描述作者正在进行的研宄，并发表以征求评论和鼓励辩论。国际货币基金组织工作论文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。 * “作者（们）感谢”脚注，视情况而定。JEL分类号：关键词：作者邮箱地址： 工作文件免责声明本文所表达的观点是作者的观点，不一定反映理事会、美联储系统或国际货币基金组织及其管理层或执行董事会的观点和政策。1托比亚斯·阿德里安国际货币基金组织货币与资本市场司司长 700 N Street NW, Washington, DC 20431, 美国tadrian@imf.org2多梅尼科·吉亚诺内, 国际货币基金组织副总干事 700 19街西北, 华盛顿特区, 20431, 美国dgiannon2@gmail.com3马特奥·卢基阿尼, 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，邮编20551，美国matteo.luciani@frb.gov4迈克·韦斯特, 杜克大学统计学与决策科学名誉杰出教授, 北卡罗来纳州达拉谟, 27708, 美国mike.west@duke.edu情景合成与宏观经济风险由托比亚斯·阿德里安准备1, 多梅尼科·贾诺内, 马特奥·卢西亚尼, 迈克·韦斯特 1 引言宏观政策机构如中央银行严重依赖预测方法。货币决策者定期接收经济展望、替代政策路径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模型、简化形式经验模型及判断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松散地讨论。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数据最佳匹配的基线情景的合成。参考预测分布，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，量化它们与参考情景的相对一致性，从而解释为什么某一组情景特别相关。该分析还纳入了一个综合的“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的形式表示。我们使用贝叶斯决策分析方法——熵倾斜的扩展（例如罗伯逊等,2005;Tallman和West,2022)来定义完整场景预测分布作为对基线的扰动。关联基线与情景预测到统计参考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）以激励基线和情景分布的离散混合（线性池）作为基于情景预测的替代方案。分析进一步考虑了超出单点预测的场景信息，具体是使用反映场景风险的场景尾部百分位数。这涉及到场景假设的可取性，这些假设表示比基线更为剧烈的扰动。´典型（例如，）Justiniano和Primiceri,2008;Fernandez-Villaverde 等,2011;阿德里安和博-yarchenko,2012;他和克里希南穆提,2012;布伦纳梅尔和桑尼科夫,2014;Fernandez-Villaverde等,2023,2024具有结构模型，和阿德里安等人,2021;卡拉达等人,2021;卡里埃罗等人。,2024使用合成备用情景也部分解决了政策机构考虑的场景通常仅代表基准值适度扰动的问题。当情景集未能涵盖统计基准所支持的（尤其是尾部风险）风险时，这可能成为一个“红旗”信号。英格兰银行于1993年率先使用扇形图表进行风险沟通；通胀报告显示通胀中值的图表反映了不确定性。不确定性区间由对基准线周围风险的判断评估得出布特顿等,1998自1995年以来，美国联邦储备的泰尔本（TB）将情景呈现为基线预测的扰动。现在，大多数主要中央银行都在使用这些方法的某种变体。扇形图和情景分析带来了实际挑战，因为它们需要根据判断频繁更新和量化风险。因此，中央银行越来越频繁地依赖统计方法来预测宏观经济风险。“风险下的增长”（GaR：）的密度预测方法阿德里安等人,2016,2019;普拉格博格-莫勒等,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；其他央行也除使用更依赖判定的情景方法外，实施了 GaR 方法（例如，´费加雷斯和亚罗茨基,2020;兰萨等,2023;艾克曼等,2019;埃格伦-马丁等,2024;安尼斯蒂等,2023;约翰杜等,2022;亚历山德里等人,2019). 1 2我们的分析将基准和情景（以及参考）作为既定条件。在政策实践中，当然，统计预测分布的变化与情景演变叙述之间的相互影响为严格检验风险平衡的变动提供了丰富的土壤。这一点被注意到伯南克(2023)并且与TB相关，其中基于场景的方法在平衡风险和统计预测分布方面分别进行了讨论。正如美联储主席杰罗姆·鲍威尔在2025年1月FOMC会议后的新闻发布会上所提到的，我们员工所做的一件事是他们会审视一系列可能的结果。 [...] 会有一个基准线，然后他们会展示六七个替代方案，包括非常好的和不太好的一些。而这些方案的作用是它们激发 [...] 政策制定者进行思考和了解 [...] 围绕我们的不确定性。我们的方法论提供了正式的串扰，可以协助政策机构的宏观经济人员：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。章节2讨论了基础和概述了方法。节3 addresses部分场景信息。第4介绍预期错分率作为分布一致性指标，具有基础性见解。节5开发在完全贝叶斯框架下的情景分析嵌入，包含核心理论总结和计算实现方面。第6总结详细案例研究的要点。部分7链接到更广泛的问题，即如何将判断性信息与基于统计模型的预测相结合。附录补充了技术和方法细节。摘要评论定义了该部分。8.该案例研究基于已发布的TB版本。我们使用2007年和2018年12月FOMC会议准备的报告中的数据，分别给出2008年和2019年的预测。遵循TB，我们关注对实际增长的风险。重新分析包含其他变量，例如´由于通货膨胀和失业率存在风险（亚当斯等人,2021;凯利,2022;洛佩斯-萨利多和洛里亚,2024)是直截了当的，但超出了我们这里的主题范围。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共识方面，同时也涉及情景集不完整的问题。后者中的一个示例突出了2007年和2018年TB中均缺少一个非常负面、“下行风险情景”。这与我们的分析中经济不确定性高时的特殊关注点有关，此时定义一个适当的基线预测是具有挑战性的。然后，列出并讨论一系列可能的情景，每个情景根据参考匹配分配一个概率，为在不确定性下的知情决策提供了更丰富的视角。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完整性反映参考中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中捕获的所有风险进行政策制定。 2 设置、基础和视角2.2 场景混合与贝叶斯预测合成2.1 上下文与目标overarching 目标是确定每个场景与参考的“接近程度”p(y),并根据该评估进行排序。我们介绍的方法论解决了这个问题，它建立在目前正在讨论的基础统计概念和模型发展之上。BPS混合体在理论上的一个关键方面是它能解决“场景集”这一广泛的问题S(in-)完整性”。也就是说，一个基线以及所有替代场景Sios 被认为与参考不一致p(y).这与“模型集不完整-”有关\"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合并在混合中使用来解决此问题。这已在 BPS 应用中以及其推广到决策指导环境（BPDS：Tallman和West,2023;切尔尼什等人,2024)–通过将附加的p.d.f.作为备用那些可以被预期在未来数据中得到支持，而初始模型集对它们预测效果不佳的情况。上述研究中的例子使用了初始模型概率密度函数混合的过度分散平均值，这一策略可以用于情景分析。在第五节的案例研究中，此类后备情景的具体构建方式为。6提供了这个建模策略的示例。从策略设置中索引替代场景j= 1 :J−与基线1j= 0 并且现在有j=J S对于所选择的备用p.d.f.，后者标有虽然它纯粹是J为上述目的选择的人工合成场景。然后总体场景混合p.d.f. 是政策制定中的贝叶斯决策者可以认为场景概率密度函数集p(y) as “in-“形成”以用于形成一个与政策相关的总体预测。这涉及某种形式的池化在基线情景和替代情景的预测之中。此处是贝叶斯预测合成（BPS）的基础理论——以及“混合BPS”模型（麦克林和韦斯特,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| ∝池关于向量中的概率权重α p(y).p(y)αα,f(yα)j jj j j兴趣在于预测一个向量结果y例如，基于以下成分，多个未来时期中数个宏观经济指标的一条路径。• 基于政策的分析产生一个预测密度p(y),称为基准密度.相对于基线，政策分析考虑了这一组中的每一个替代场景; sce-jS nario，标记，生成预测密度p(y）。这些被视为假设需要相对于基线进行评估的场景。• 基线是在政策设置中给定的预测分布，因此不是假设性的S场景；那理解了，我们使用和索引j= 0 用来指定基线。• 单独来看，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),称为参考预测密度. 30jj0jj0Xf(y|α) =α p(y).j j j=0:J (1) 2.4 场景参考一致性2.3 场景预测分布的不完整规范3 部分场景信息与熵倾斜3.1 部分场景信息场景 p.d.f.sp(y)S通常仅部分指定。一个常见设置是定义点预测，如均值或中位数，以及或不包含不确定性度量，如其他几个分位数。基础概念是，备选方案代表经济S相关的“假设？”扰动基线。因此，收到此类部分信息表示一个修改p(y)以匹配那些部分信息。我们的方法旨在识别p(y) 是“最接近”基线的p(y) 需要满足与该部分场景一致的要求信息。本方法的理论基础，详见第3.2，是熵倾（ET：Tallman和West,2022). 自从其被引入罗伯逊等(2005), 基于事件时间的方法论在经济计量学、金融及相关领域中的预测应用越来越广泛。¨´ ´区域（例如）克鲁格等人,2017;梅特索格卢等人,2018;库普等,2019;安东林-迪亚斯等人,2021;克拉克等人,2022;西,2024;克罗姆等人,2025当前设置有所不同，但此处使用 ET 在精神和目标上与其在施加约束于给定——此处为基准——预测分布时的原始使用相近。如第几节所述2.3通常设置是，每个场景仅提供相对于完全指定基线的部分信息。在许多示例中，部分信息可以表示为函数的期望值。y，这也是我们采用的设置。通常，仅报告扰动后的中心趋势。如果视为均值，则它对预期值直接施加约束。如果视为中位数，则它在形式上定义为指示函数的期望。类似的推理