[논문 리뷰] A Flexible Mixed-Frequency Vector Autoregression with a Steady-State Prior

Sebastian Ankargren, Måns Unosson외 1명|arXiv (Cornell University)|2019. 11. 20.

Monetary Policy and Economic Impact참고 문헌 52인용 수 4

한 줄 요약

이 논문은 조건부 평균에 대한 안정 상태 사전분포와 변동성의 확률적 변화를 통합한 베이지안 혼합 주기성 벡터 자기회귀 모델( VAR)을 제안한다. 이는 고도의 경제 예측 성능을 향상시키기 위해 고려된다. 월간 및 분기별 변수를 누락된 관측치 보정과 함께 상태공간 프레임워크 내에서 모델링함으로써, 특히 분기별 변수에 대해 정확도를 높이며 장기 평균에 대한 사전 지식과 시간에 따라 변화하는 변동성에 대한 정보를 효과적으로 활용한다.

ABSTRACT

We propose a Bayesian vector autoregressive (VAR) model for mixed-frequency data. Our model is based on the mean-adjusted parametrization of the VAR and allows for an explicit prior on the 'steady states' (unconditional means) of the included variables. Based on recent developments in the literature, we discuss extensions of the model that improve the flexibility of the modeling approach. These extensions include a hierarchical shrinkage prior for the steady-state parameters, and the use of stochastic volatility to model heteroskedasticity. We put the proposed model to use in a forecast evaluation using US data consisting of 10 monthly and 3 quarterly variables. The results show that the predictive ability typically benefits from using mixed-frequency data, and that improvements can be obtained for both monthly and quarterly variables. We also find that the steady-state prior generally enhances the accuracy of the forecasts, and that accounting for heteroskedasticity by means of stochastic volatility usually provides additional improvements, although not for all variables.

연구 동기 및 목표

• 기존 VAR 모델에서 고주기 데이터를 분기 주기로 요약함에 따라 정보 손실이 발생하는 문제를 해결한다.
• 거시경제 변수의 장기적 조건부 평균(안정 상태)에 대한 사전 지식을 통합하여 예측의 안정성과 정확도를 향상시킨다.
• 확률적 변동성 모델링을 통해 시간에 따라 변화하는 변동성을 허용함으로써 모델의 유연성을 높인다.
• 실제 거시경제 환경에서 혼합 주기성 데이터를 사용하여 제안된 모델의 예측 성능을 표준 VAR 모델과 비교한다.

제안 방법

• 누락된 분기 내 관측치를 처리할 수 있도록 상태공간 표현을 사용한 평균 조정 VAR를 수립한다.
• 각 변수의 조건부 평균을 명시적으로 모델링하는 안정 상태 사전분포를 도입하여 이론적 또는 경험적 장기 기대치를 직접 통합할 수 있도록 한다.
• 안정 상태 파라미터에 계층적 수축 사전분포를 적용하여 초모수에 대한 자동 수축을 가능하게 하면서도 탄력성을 유지한다.
• Carriero 등(2016)의 모델을 활용해 공통적인 확률적 변동성을 통합하여 시간에 따라 변화하는 오차 공분산 행렬을 허용한다.
• 베이지안 프레임워크 하에서 추정이 어려운 사후분포를 추정하기 위해 마르코프 체인 몬테카를로(MCMC) 방법, 특히 지브스 샘플링을 사용한다.
• 10개의 월간 및 3개의 분기별 미국 거시경제 변수로 구성된 데이터셋을 사용하여 다양한 예측 수평에서 성능을 비교한다.

실험 결과

연구 질문

• RQ1 누락된 관측치 보정 기반 상태공간 모델을 통해 혼합 주기성 데이터를 통합할 경우, 단일 주기성 VAR에 비해 예측 정확도가 향상되는가?
• RQ2 안정 상태 사전분포를 통합할 경우, 특히 분기별 변수에 대해 예측 성능이 얼마나 향상되는가?
• RQ3 안정 상태 파라미터에 대한 계층적 수축 사전분포는 표준 안정 상태 사전분포에 비해 예측 정확도 측면에서 어떻게 비교되는가?
• RQ4 확률적 변동성 모델링을 통해 시간에 따라 변화하는 변동성을 고려할 경우, 예측 밀도 및 점 예측 성능이 향상되는가?
• RQ5 제안된 모델의 성과는 다양한 데이터 버전과 예측 수평에서 탄력적인가?

주요 결과

• 누락된 관측치 보정 기반 혼합 주기성 VAR는 단일 주기성 기준 모델 대비 월간 및 분기별 변수의 예측 정확도를 크게 향상시킨다.
• 안정 상태 사전분포는 일관되게 예측 정확도를 향상시키며, 모든 수평과 평가 지표에서 이 사전분포를 사용한 모델이 사용하지 않은 모델보다 뛰어난 성능을 보인다.
• 자동 수축이 가능한 계층적 안정 상태 사전분포는 대부분의 경우 표준 안정 상태 사전분포와 동일하거나 더 뛰어난 성능을 보인다.
• 확률적 변동성은 특히 실업률과 연방기준금리의 예측 밀도 정확도를 향상시키지만, 점 예측에 대한 영향은 더 다양하다.
• 혼합 주기성 처리, 안정 상태 사전분포, 확률적 변동성의 세 가지 구성 요소를 모두 통합한 모델이 가장 우수한 종합 성능을 보이며, 모든 대안 모델을 압도적으로 앞선다.
• 두 번째로 이용 가능한 데이터 버전에서 평가했을 때도 결과가 탄력적이므로, 데이터 수정 효과에 의해 유도된 결과가 아님을 확인할 수 있다.