Наукастинг и прогнозирование основных российских макроэкономических показателей с помощью MFBVAR-модели

В работе тестируется качество наукастов и прогнозов российского ВВП и его компонентов (в постоянных и текущих ценах) с помощью модели байесовской векторной авторегрессии с данными смешанной частотности (MFBVAR), которая является одной из наиболее продвинутых прогнозных моделей временных рядов. Она позволяет работать с данными квартальной и месячной частоты в рамках единой VAR-модели месячной частоты в пространстве состояний и учитывать внутриквартальную динамику месячных показателей, что позволяет улучшать прогнозные свойства с поступлением новой месячной информации. Также эта модель является устойчивой к проблеме неровного (рваного) края, что особенно важно при прогнозировании в реальном времени. За счет байесовского подхода к оценке с априорным распределением типа Миннесота в модели может участвовать большое количество предикторов. В статье описываются три эксперимента по псевдовневыборочному наукастингу и прогнозированию. Эксперименты различаются разной доступностью месячных данных. Показано, что эта модель позволяет существенно и статистически значимо улучшить качество наукастов и прогнозы на несколько шагов вперед для ВВП, потребления и переменных внешней торговли, а также некоторых других показателей относительно наивного бенчмарка, модели ARIMA и модели BVAR на квартальных данных. При этом тестовая выборка весьма репрезентативна и содержит два кризисных периода, а именно 2015 и 2020 годы. В оба кризиса модель достаточно точно оценивает масштабы спада и последующего восстановления экономической активности. При этом существенного улучшения качества прогнозов при поступлении новой информации не было диагностировано.

1. Полбин А. В., Скроботов А. А. Тестирование наличия изломов в тренде структурной компоненты ВВП Российской Федерации // Экономический журнал ВШЭ. 2016. Т. 20. № 4. С. 588–623.

2. Поршаков A. С., Пономаренко A. A., Синяков A. A. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. 2016. № 2. С. 60–76.

3. Станкевич И. П. Сравнение методов наукастинга макроэкономических индикаторов на примере российского ВВП // Прикладная эконометрика. 2020. Т. 59. С. 113–127.

4. Фокин Н. Д. О важности учета структурных сдвигов при прогнозировании российского ВВП // Прикладная эконометрика. 2021. № 3. С. 5–29.

5. Ankargren S., Yang Y. Mixed-Frequency Bayesian VAR Models in R: The mfbvar Package. 2019. https://cran.microsoft.com/snapshot/2020-04-13/web/packages/mfbvar/vignettes/mfbvar_jss.pdf.

6. Bernanke B. S., Boivin J., Eliasz P. Measuring the Effects of Monetary Policy: A Factor-Augmented Vector Autoregressive (FAVAR) Approach // The Quarterly Journal of Economics. 2005. Vol. 120. No 1. P. 387–422.

7. Camba-Mendez G. Conditional Forecasts on SVAR Models Using the Kalman Filter // Economics Letters. 2012. Vol. 115. No 3. P. 376–378.

8. Canova F. Methods for Applied Macroeconomic Research. Princeton: Princeton University Press, 2007.

9. Carriero A., Clark T. E., Marcellino M. Realtime Nowcasting With a Bayesian Mixed Frequency Model With Stochastic Volatility // Journal of the Royal Statistical Society: Series A (Statistics in Society). 2015. Vol. 178. No 4. P. 837–862.

10. Diebold F. X., Mariano R. S. Comparing Predictive Accuracy // Journal of Business & Economic Statistics. 2002. Vol. 20. No 1. P. 134–144.

11. Doan T., Litterman R., Sims C. Forecasting and Conditional Projection Using Realistic Prior Distributions // Econometric Reviews. 1984. Vol. 3. No 1. P. 1–100.

12. Doz C., Giannone D., Reichlin L. A Two-Step Estimator for Large Approximate Dynamic Factor Models Based on Kalman Filtering // Journal of Econometrics. 2011. Vol. 164. No 1. P. 188–205.

13. Ghysels E., Santa-Clara P., Valkanov R. The MIDAS Touch: Mixed Data Sampling Regression Models. 2004. https://escholarship.org/uc/item/9mf223rs.

14. Giannone D., Reichlin L., Small D. Nowcasting: The Real-Time Informational Content of Macroeconomic Data // Journal of Monetary Economics. 2008. Vol. 55. No 4. P. 665–676.

15. Kilian L. Measuring Global Real Economic Activity: Do Recent Critiques Hold Up to Scrutiny? // Economics Letters. 2019. Vol. 178. P. 106–110.

16. Kilian L. Not All Oil Price Shocks Are Alike: Disentangling Demand and Supply Shocks in the Crude Oil Market // American Economic Review. 2009. Vol. 99. No 3. P. 1053–1069.

17. Litterman R. B. Forecasting With Bayesian Vector Autoregressions — Five Years of Experience // Journal of Business & Economic Statistics. 1986. Vol. 4. No 1. P. 25–38.

18. Lütkepohl H. New Introduction to Multiple Time Series Analysis. Heidelberg: Springer Berlin, 2005.

19. McCracken M. W., Owyang M., Sekhposyan T. Real-Time Forecasting With a Large, MixedFrequency, Bayesian VAR. FRB St. Louis Working Paper. No 2015-30. 2015. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2673962.

20. Mikosch H., Solanko L. Forecasting Quarterly Russian GDP Growth With Mixed-Frequency Data // Russian Journal of Money and Finance. 2019. Vol. 78. No 1. P. 19–35.

21. Schorfheide F., Song D. Real-Time Forecasting With a Mixed-Frequency VAR // Journal of Business & Economic Statistics. 2015. Vol. 33. No 3. P. 366–380.