洪水和流行病之后:如何获得有意义的预报

最近十年的情况表明，预测者需要不断调整他们的工具，以应对日益复杂的宏观经济。就像全球危机一样，当前的Covid-19大流行再次表明，预测者不能满足于只评估单一因素最有可能的未来的结果——比如未来某一年GDP增长的单个数字。相反，应该对所有可能的结果进行描述整个分布)对于理解极端事件的可能性和性质是必要的。

正如欧洲央行执委会成员菲利普•莱恩(Philip Lane)在欧洲央行年会开幕致辞中所指出的那样，这对央行预测人士也是关键第11届预测技术会议．央行在很大程度上依赖预测来设计政策，并需要稳健的技术来度过动荡时期。他们不仅确保价格稳定，因此直接对未来最有可能的通胀路径感兴趣，而且在这个过程中也有助于理解、管理和处理宏观经济风险，因此需要把握极端事件的可能性(另见格林斯潘2004年的讨论)。为了增进对可能应对极端事件(如流行病、洪水或野火等自然灾害)和趋势变化(如气候变化、人口结构)带来的挑战的新技术的集体理解，欧洲央行将会议的主题定为"非正常时期的预测"。会议的参与者——该领域的领先专家——认为在当前的关键时刻，制度变化和巨大的异常值是央行预测者面临的特别重要的挑战(图1)，这是许多演讲所解决的问题。

图1目前央行在宏观经济预测方面面临的主要挑战是什么?

源:欧洲央行第11届预测技术会议主要预测专家的调查(75份答复)。

许多贡献涉及在Covid-19大流行主导的预测格局中改进预测模型的两种策略中的一种。第一种策略相当于保护标准预测模型(如var和因素模型)以应对极端事件。第二种策略旨在明确地模拟极端经济状态下的经济动态，承认经济变量在这种情况下的相互作用不同。虽然这两种策略目前相当独立地发展，但它们未来可能会相互补充。

让经典的方法跟上进度

最近的一些研究提出了使经典的向量自回归(VAR)模型在动荡时期发挥作用的方法。2019冠状病毒病大流行期间的巨大冲击对参数估计产生了强烈影响，可能导致难以置信的预测。虽然通过异常值校正处理单个极端观测很简单，但这种方法在一系列大冲击的情况下达到了极限。最近的研究建议，通过允许相关残差的更高波动性(Lenza和Primiceri 2020)，降低Covid-19观察结果的权重。Carriero等人(2021)提出了一种替代方法，将波动率的随机时间变化与异常值修正机制结合起来。陈乔华在主题演讲中指出，随机波动是宏观经济数据长期存在的特征，对其的考虑改善了Covid-19之前就已存在的大规模var的预测特性。在他的主题演讲中，克里斯·西姆斯认为，通过研究多个关键宏观经济量的大波动同时发生的变化，可以更好地理解(和识别)冲击经济的结构性冲击。var是一个主力模型，因此关注它们。但实际上，受异常观测影响的不仅仅是var。对于大多数其他标准时间序列模型也是如此，事实上对于成熟的结构模型也是如此，即动态随机一般均衡模型(DSGEs)，这些模型也正在进行调整，以考虑到大流行冲击的前所未有的性质(Cardani等人，2020年)。

预测带来相关利益模型未计入的信息，如专家判断。在极端事件下更是如此。Banbura等人(2021)表明，利用专业预测人员调查提供的信息丰富纯粹基于模型的预测是提高预测性能的有效途径。

新的目标是:建立整个分布和非线性模型

如果极端事件变得更加频繁，政策必须更加关注可能的尾部结果．上一节描述的策略在很大程度上抵消了极端事件，与此相反，第二种策略试图通过明确地模拟极端事件的动态来正面应对极端事件。

一种观点认为，经济动态在一定程度上取决于经济状况。例如，深度衰退和扩张之间的动态可能不同。越来越受欢迎的“风险增长”(GaR)方法通过模拟经济动态对最近冲击的方向和规模的依赖来探索这种可能性。通过这种方式，它允许危机期间的不同动态(参见Korobilis等人2021年对通货膨胀的应用)。Gonzalez-Rivera等人(2021年)以风险增长方法为基础，认为要衡量大流行等极端事件下的脆弱性，应从情景角度考虑。他们的方法受到压力测试文献的启发，这些文献是为了掌握金融市场的尾部风险而开发的。将风险增长方法与选定的极端经济发展情景相结合，提供了一种理解经济如何受到重大冲击影响的方法。Caldara等人(2021)表明，体制转换模型为风险增长方法提供了一种有希望的替代方案。

受机器学习技术的启发，最近出现了一种更激进的方法，以灵活的方式处理非线性经济动态。有几种方法将时间序列技术与回归树结合起来。这些技术通过分段线性模型对状态依赖进行建模，这些模型通过纯数据驱动的方法定义状态。为了避免过拟合，收缩和模型平均技术长期以来一直被用于关注最相关的预测因素。在机器学习的背景下，通过对许多树进行平均，例如“随机森林”(Coulombe, 2021年)或与贝叶斯技术相结合(Clark等，2021年)，收缩有助于实现稳健的结果。后者表明，这种灵活的非线性建模不仅有助于预测条件均值，而且有助于预测尾部风险。在博士生竞赛(2021年Kutateladze)中获胜的论文应用了一个“核技巧”，以高度非线性模式估计非线性动态因素模型。

新发展是数据密集型的，它们的日益普及与大数据的出现密切相关。然而，即使有了大数据，非线性建模可能仍然脆弱。更高的模型复杂性伴随着缺乏健壮性和“黑箱”批评。通过后估计分析，可以增强机器学习技术的可解释性(Buckmann等人，2021年)。在这个节骨眼上，这些模式能否持久成功还有待观察。

补充,而不是替代品

本专栏中提出的两种策略在目前的文献中各自演进，但未来它们可以相互补充和丰富。我们的会议调查显示，经典的方法无论如何都不会过时:超过一半的参与者表示他们正在他们的工作中使用var。与此同时，有一个广泛的共识，即需要对新的指标和非线性动力学建模进行更多的研究(图2)。为此，经典和新方法可以相互借鉴。会议揭示了一些差距，可以通过两种方法之间的互补加以弥补。

图2哪些是未来预测研究最重要的途径?

源:欧洲央行第11届预测技术会议主要预测专家的调查(46个答复)。允许两种回应选择。

了解非线性的本质有助于使线性模型更加健壮。可用的大数据集范围广泛，这使得构建统计数据能够以比以往更高的频率捕捉非线性或风险。这样，某些类型的非线性就可以从微观经济指标引入线性模型。相反，在捕捉经济中的非线性的线性模型中，新指标的成功可能会激发有针对性的非线性模型的发展。这种需求的巧合可能反映在“大数据”被会议参与者列为最重要的研究途径上(图2)。

高频数据和大数据已经为当下的经济带来了可观的收益。在2019冠状病毒病危机初期，由于经济事件以前所未有的速度展开，信用卡数据、流动性数据、谷歌趋势或预订信息等新颖的高频变量被证明在实时监测经济发展方面极为有用(参见Antolin-Diaz等人2021年或Woloszko 2020年OECD每周跟踪报告的详细内容)。与此同时，在处理这些数据的短历史、用到来的消息更新预测时时变不确定性的影响(Labonne, 2020)以及高度非平稳序列的稳健预测(Castle等人2020、2021)方面也出现了技术创新。

对不确定性的认识(预测)

过去几年，不确定性有所增加，妥善解决不确定性问题变得更加紧迫。统计模型有助于将历史模式转化为当前形势。不可避免的是，这种做法在大流行期间没有发挥太大作用，这可以被视为历史上的独特之处。正如Baldwin和di Mauro(2020年)在大流行初期所讨论的那样，Covid-19冲击不是通常的宏观经济冲击。在这种情况下，人们应该在基于统计模型的预测和基于经济推理(例如通过理论模型)的预测之间寻求平衡。

适当地测量不确定度本身就很重要．毕竟，不确定性并不意味着缺乏精确性。Chris Sims生动地指出，模型开发者和用户有一种倾向，认为产生非常高不确定性的模型是“不精确的”。但事实上，这种高度的不确定性可能是对经济状况的恰当描述。因此，政策制定者应该鼓励那些能准确说出不确定性有多大的模型，即使这是令人不快的消息。

作者注:会议的论文、报告和视频可以在会议网站上查看在这里．本文仅代表报告作者的观点，并不一定反映欧洲央行的观点。

参考文献

Antolin-Diaz, J, T Drechsel和I Petrella (2021)临近预测经济活动的进展:长期趋势、大冲击和新数据， CEPR讨论文件15926。

鲍德温，R and B Weder di Mauro(主编)(2020)，新冠肺炎时代的经济学期媒体。

Bańbura, M, F Brenna, J Paredes和F Ravazzolo(2021)，“结合贝叶斯var与调查密度预测:是否有回报?”，工作论文2543，欧洲央行。

Buckmann, M, A Joseph和H Robertson(2021)，“可解释的机器学习工作流及其在经济预测中的应用”，mimeo。

Caldara, D, D Cascaldi-Garcia, F Cuba-Borda和F Loria(2021)，“理解风险增长:马尔科夫转换方法”，mimo。

Cardani, R, O Croitorov, F Di Dio, L Frattarolo, M Giovannini, S Hohberger, P Pfeiffer, M Ratto和L Vogel (2021)通过估计的结构性宏观模型观察欧元区的COVID-19衰退， VoxEU.org, 9月8日。

Carriero, A, T E Clark, M Marcellino和E Mertens(2021年)，“用随机波动解决bvar中的COVID-19异常值”，工作文件202102R，克利夫兰联邦储备银行，2021年8月9日修订。

Castle, J, J Doornik和D Hendry (2020)冠状病毒大流行的短期预测， VoxEU.org, 4月24日。

Castle, J, J Doornik和D Hendry(2021年)，“稳健统计预测在COVID-19大流行中的价值”，国家经济评论研究所256: 19-43。

Clark, T E, F Huber, G Koop, M Marcellino和M Pfarrhofer(2021)，“基于多元贝叶斯加性回归树的尾部预测”，工作论文202108，克利夫兰联邦储备银行。

库仑布，P G(2020)，“宏观经济是随机森林”，论文2006.12724,arXiv.org, 2021年3月修订。

Gonzalez-Rivera, G, V Rodriguez-Caballero和E Ruiz(2021)，“期待意外:压力下的经济增长”，工作论文202106，加州大学河滨分校经济系。

格林斯潘，A(2004)，“货币政策的风险和不确定性”，美国经济评论94: 33-40。

Korobilis, D, B Landau, A Musso和A Phella(2021)，“通胀风险的时变演化”，mimo。

Kutateladze, V(2021)，“非线性因子建模的内核技巧”，论文2103.01266,arXiv.org。

李宝恩，P(2020)，“实时获取GDP近点预测的不确定性”，论文2012.02601,arXiv.org, 2020年12月修订。

Lenza, M和G E Primiceri(2020)，“如何估计2020年3月后的VAR”，NBER工作论文27771。

沃罗斯科，N(2020)。”使用谷歌趋势和机器学习跟踪GDP:一个新的经合组织模型， VoxEU.org, 12月19日。