• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Статья

Макроэкономическое прогнозирование с помощью BVAR Литтермана

В работе проводится сравнение прогнозных способностей моделей случайного блуждания, частотной (VAR) и байесовской векторных авторегрессий с априорным распределением Миннесоты (BVAR) по российским квартальным данным 1995 – 2014 г. Максимальное количество переменных, включаемых в модель, равно 14, что требует эндогенного подбора оптимального гиперпараметра регуляризации.  Для его определения используется механизм,  описанный в работах [Bańbura et al., 2010] и [Bloor and Matheson, 2011]. В соответствии с этим механизмом гиперпараметр регуляризации подбирается так, чтобы качество прогнозов BVAR и частотной VAR моделей совпадало при минимальной рассматриваемой размерности модели (три переменных). Для любой размерности BVAR модели оптимальная величина гиперпараметра регуляризации является робастной к рассматриваемым функциям относительной прогнозной точности.

В результате показано, что на исследуемой выборке BVAR позволяет получить  более точный прогноз, чем частотная VAR. Для ключевых макроиндикаторов (индекса промышленного производства, индекса потребительских цен и процентной ставки) на всех рассматриваемых прогнозных горизонтах  и независимо от числа переменных  в модели среднеквадратичная ошибка прогноза модели BVAR оказывается ниже, чем для частотной VAR. Кроме того, BVAR позволяет получить прогноз с большей точностью, чем модель случайного блуждания для ИПЦ и белого шума для процентной ставки.  Однако предсказать индекс промышленного производства с помощью BVAR более точно, чем с помощью модели случайного блуждания, не удается.