”(一)中央银行试图最大化其实现目标的概率是驱动的,我相信,政策风险管理方法。这不仅意味着政策制定者需要考虑最可能的未来经济的路径但也对这条道路的分布可能的结果”。
联邦储备委员会主席艾伦•格林斯潘(Alan Greenspan) 2003年8月29日。
艾伦•格林斯潘(Alan Greenspan)的言论是显而易见的,即使他让他们。几十年来,中央银行家们一直在关键的经济和金融体系的风险经理。不幸的是,几年之后,格林斯潘说,很明显,他们已经失败了;在2007年和2008年,风险是如果这变成了危机。
监管改革自2009年以来的资本和流动性要求,决议机制,重组的衍生品市场,和一个不断发展的系统性风险评估方法(宏观审慎)规例》,都是针对改善金融体系的弹性。因此,另一个紧急GDP暴跌的可能性比十年前要低得多。
但是我们仍然有大量的工作要做。我们正处于早期阶段的过程中建立一个金融稳定政策框架,对应于通货膨胀目标制框架,形成了货币政策的基础。这样一个框架需要衡量金融稳定目标,类似于一个价格指数,工具与利率和动态模型可以帮助我们理解两者之间的联系。
在本专栏文章中,我们描述一个一步发展中这样一个框架:GDP的概念和测量处于危险之中。
风险价值
了解国内生产总值面临风险,开始风险价值(VaR),一个想法出现在40年前的1987年的股市崩盘。在最基本的层面上,风险管理需要控制灾难的可能性。金融中介机构,灾难是一个巨大的金钱损失。金融风险管理者使用VaR量化这种灾难的风险。VaR措施——在一个给定的概率——最糟糕的损失超过一个特定的时间范围。因此,商业银行风险经理可能会限制每日最坏的商人控制的1亿美元的资产损失1000万美元以0.1%的概率。这意味着,考虑到历史数据用于银行的模型,该交易员不能表态,一个以上的机会在一千年失去一天的10%。1
计算VaR风险经理和他们的主管让严重不良场景基于历史上最严重的事件。这些都是低概率、高成本的活动通常被称为尾部风险。分散的简单措施,如标准差,往往没有考虑到坏的大小(左)尾分布。有情况下较低的尾巴变胖——非常糟糕的事件的可能性上升没有实质性提高标准差。这是一种解释发生在1998年秋天,当俄罗斯拖欠国内债务和长期资本管理公司崩溃。当时,点预估总价格水平和GDP的差距,以及这些预测的标准偏差,保持大致相同。但在左尾概率分布——一个非常糟糕的结果的机会——玫瑰。当尾部风险上升,政策制定者(作为风险管理者)合理回应他们认为GDP上升风险。2
衡量GDP的风险
基于最近的工作由阿德里安et al .(2017),第三章的国际货币基金组织的2017年10月全球金融稳定报告(2017年国际货币基金组织(IMF)估计,全球国内生产总值(GDP)的时间序列使用技术风险分位数回归。是值得一个小绕道理解这一重要和有用的工具。
标准的统计方法,一般的教导,使我们能够解决这样的问题:如果一些外部因素,如油价或政府支出,更改,然后将如何改变预期道路的增长、就业或通货膨胀在未来一两年?知道这些问题的答案可以帮助决策者使用他们的工具来稳定经济。即央行成功地维持通胀目标,货币政策委员会的成员需要了解经济通常发展对于一个给定的利率路径(常规工具)当条件改变。
风险经理的重点不是预期的路径,但在最糟糕的可能的结果。他们的担忧是关于这样一个问题:如果银行信贷的道路或政府债务占GDP比率上升了10%,将如何改变预测坏的占GDP的5%的结果在两,三,还是五年?分位数回归解决这个问题,调整标准工具模型的预期变化的指定部分的分布可能未来的增长水平。3
使用这种技术,国际货币基金组织的研究人员计算概率分布的提前一年全球经济增长预测。固体红线图是这个预测分布的中位数:我们可以认为这是中央对全球增长预期。上部和下部虚线是5和95百分位数的分布,分别。举个例子,在2016年第四季度,2017年经济增长的预估中值为3.67%——这是红线上的最后一点如图1所示。的虚线告诉我们有5%的几率增长将在5.58%以上,5%几率将低于2.86%。较低的虚线-一个峰值在2008年末GDP是衡量风险。
图1提前一年密度为全球经济增长预测,1991 - 2016
源图3.1.2:国际货币基金组织(IMF) (2017)。
图1还显示一些基本性质的国际货币基金组织的估计。顶部的水平虚线也几乎没有变化。事实上,在整个25年的研究期间,GDP增长的95分布之间移动高5.99%和4.57%的低点。这是鲜明的对比与衡量GDP的风险(虚线)越低,其范围从+ 3.59% - 14.53%。重要的是,这些大向下运动是暂时的——自1991年以来的大部分时期,GDP不是风险远低于中位数。
商业周期的不对称
国际货币基金组织的估计增长分布表现出一个有趣的模式:随着预估中值下降,预测分布扩大。这种关系不太可能意外——增加不确定性通常与较弱的增长的预测,但(如经济衰退)这些都是在持续时间相对较短。图2突出色散之间的相关性和中位数:说下降的预估中值水平轴(如图所示)与5有关½百分点增加蔓延,几乎所有的反映了GDP增长面临风险。(线的配合并不依赖于异常值在左上方)。
图2提前一年平均增长预测与传播
源:基于图3.1.2中,国际货币基金组织(IMF) (2017)。
这些模式符合米尔顿·弗里德曼(1993)将模型的业务波动,根据他的观察,经济增长往往表现出扩展的光滑,向上运动,偶尔被周期性收缩持续时间更短。也就是说,在本质上是商业周期不对称——尽管失业率在经济衰退显示临时跳(从5%到10%),它不暴跌繁荣从5%降至0%。通常,它不远5%。
为什么如此低增长分布的尾部比上面的尾巴?始于一个解释这一事实上面有短期限制,生产能力需要更高的成本。相比之下,缺点是,唯一的限制是,公司关闭。这是一个下降100%。二十年前,金和尼尔森(1999)表明,美国GDP展品正是这种不对称。最近,Dupraz et al。(2017)开发一个模型,生成这些特性。
向金融稳定政策框架
我们看到GDP风险作为决策者的一大进步。这是一个补充SRISK,纽约大学斯特恩商学院波动实验室测量的总金融体系的资本缺口。除了作为一个金融脆弱性的指标,SRISK也告诉我们这个别中介机构造成脆弱性。GDP可能帮助我们理解金融部门和实体经济之间的联系在一个聚合级别,并可以告诉我们是否增加杠杆外金融业的增加严重的经济崩溃的可能性。
GDP的风险有四个有用的特征。首先,它是直接基于我们的最终目标:高真正的经济增长和低失业率。这些是改善社会福利的基础。
第二,因为GDP已经是最广为人知的经济概念,用国内生产总值(GDP)简化了政策风险沟通。想象两个对话,政策制定者和民选官员负责监督他们的中央银行委托维护金融和经济稳定的作用。第一次讨论的重点是衡量基于压力测试的细节和网络效应——宏观审慎政策的螺母和螺栓。第二个是由政策制定者应该限制一个巨大的可能性下降,GDP在未来几年。例如,那些负责政策可能会说,在未来两年内下降了5%的几率应该不到十分之一(即概率为10%)。而技术专家需要第一个谈话,第二个可能是更有效地帮助别人预测政策选择,事后,会计。
第三,我们接受中心提供的国内生产总值(GDP)的风险,我们可以的大部分机械通胀目标转换成金融稳定政策框架。金融稳定性评估看起来像今天的央行的通胀报告,与国内生产总值的预测风险在不同视野取代通胀预测的路径。当然,这样的预测需要了解是什么让GDP上升或下降风险。相对于家庭企业杠杆有多重要?股票和房地产价格繁荣有多重要?财政政策的影响是什么?什么类型的跨境资本流动创造最大的漏洞?
最后,GDP风险有助于学科的讨论政策的权衡。在短暂的视野,央行的目标是鼓励冒险时降低利率,面对经济放缓,他们希望刺激贷款。在长视野,然而,增加私人杠杆可以创建脆弱性。所以,政策制定者想要知道的程度较低的利率减少GDP在短期内的风险,并提高长期。肯定有许多其他的例子。
几十年来在危机之前,许多央行与物价稳定目标取得低而稳定的通货膨胀。与金融稳定这些的重要性,今天,我们也希望央行的政策会降低危机的概率和严重程度。但实现这意味着适当的风险评估,为维持稳定的工具,这两个模型链接。
GDP的风险是在迎接这一挑战方面向前迈出了重要一步。
本专栏的作者注意:早期版本出现www.moneyandbanking.com。
引用
艾德里安,T、N Boyarchenko和D Giannone (2017),“脆弱的增长,”纽约联邦储备银行的员工报告没有794,修订后的2017年11月。
Cecchetti S G (2008),“衡量宏观经济带来的风险资产价格繁荣坎贝尔,“J Y(主编),资产价格与货币政策,芝加哥:芝加哥大学出版社,9-43页。
李Cecchetti S G和H (2008),“测量的影响资产价格使用分位数向量自回归繁荣“未发表的手稿,布兰迪斯国际商学院。
中村Dupraz、S、E和斯泰恩斯森J (2017),“商业周期的拔模型“未发表的手稿,哥伦比亚大学。
弗里德曼,M (1993),“业务波动的“拔模式”再现,“经济调查31 (2):171 - 177。
格林斯潘,(2003),“下货币政策的不确定性研讨会上,”由堪萨斯城联邦储备银行的赞助,杰克逊Hole29 8月29日。
国际货币基金组织(IMF) (2017),财务状况和增长面临风险全球金融稳定报告》,10月,第3章。
Jorion P (2000),风险价值:新基准来管理金融风险,2日。纽约:麦格劳-希尔。
Kim C-J和C R·尼尔森(1999),业务波动:“拔弗里德曼的模型测试和永久的估计和暂时的组件”,《货币、信贷和银行31 (3):317 - 334。
克伦克,R和K F哈洛克(2001),“分位数回归”,《经济视角15 (4):143 - 156。
尾注
[1]经典的引用是Jorion (2000)。
[2]看到Cecchetti (2006)。
[3]的技术介绍,看到克伦克和哈洛克(2001)。对于早期的应用程序,看到Cecchetti和李(2008)。
