[论文解读] A Flexible Mixed-Frequency Vector Autoregression with a Steady-State Prior

Sebastian Ankargren, Måns Unosson+1 more|arXiv (Cornell University)|Nov 20, 2019

Monetary Policy and Economic Impact参考文献 52被引用 4

一句话总结

本文提出了一种贝叶斯混合频次向量自回归（VAR）模型，通过引入无条件均值的稳态先验和随机波动率，以提升宏观经济预测性能。通过在状态空间框架下对月度和季度变量进行建模，并结合缺失数据插补，该方法显著提升了预测准确性，尤其在季度变量方面表现更优，同时有效利用了长期均值的先验知识和时变波动率信息。

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.

研究动机与目标

• 解决标准VAR模型在将高频数据聚合至季度频率时的信息损失问题。
• 通过引入宏观经济变量长期无条件均值（稳态）的先验知识，提升预测的稳定性和准确性。
• 通过随机波动率建模，提升模型灵活性，以适应时变波动率。
• 在真实宏观经济环境中，基于混合频次数据，评估所提出模型的预测性能，并与标准VAR模型进行对比。

提出的方法

• 采用状态空间表示法构建均值调整的VAR模型，以处理包含季度内缺失观测值的混合频次数据。
• 引入稳态先验，显式建模每个变量的无条件均值，从而可直接纳入理论或经验所得的长期期望值。
• 对稳态参数应用层次化收缩先验，实现向超先验的自动收缩，同时保持模型灵活性。
• 采用Carriero等人（2016）的模型引入共同随机波动率，以允许误差协方差矩阵随时间变化。
• 在贝叶斯框架下，使用马尔可夫链蒙特卡洛（MCMC）方法，包括吉布斯抽样，对难以计算的后验分布进行估计。
• 在包含10个月度和3个季度美国宏观经济变量的数据集上估计模型，并在多个预测时 horizon 上比较其预测性能。

实验结果

研究问题

• RQ1 通过状态空间模型整合混合频次数据，是否能相比单频次VAR模型显著提升预测准确性？
• RQ2 在包含稳态先验的情况下，预测性能的提升程度如何，特别是在季度变量上？
• RQ3 与标准稳态先验相比，对稳态参数采用层次化收缩先验在预测准确性方面表现如何？
• RQ4 通过随机波动率建模时变波动率，是否能提升预测密度和点预测的准确性？
• RQ5 所提出模型的预测优势是否在不同数据时点和预测时 horizon 上均保持稳健？

主要发现

• 与单频次基准模型相比，通过缺失数据插补实现的混合频次VAR显著提升了月度和季度变量的预测准确性。
• 稳态先验始终能提升预测准确性，使用该先验的模型在所有预测时 horizon 和评估指标下均优于未使用该先验的模型。
• 层次化稳态先验（允许自动收缩）在大多数情况下表现与标准稳态先验相当或更优。
• 随机波动率显著提升了预测密度的准确性，尤其在失业率和联邦基金利率方面效果明显，但其对点预测的影响则更具波动性。
• 同时包含混合频次处理、稳态先验和随机波动率三个组件的模型整体表现最佳，在所有预测能力指标上均优于其他替代方案。
• 当以第二份可用数据时点进行评估时，结果依然稳健，表明研究发现并非由数据修订效应所驱动。