Professional Documents
Culture Documents
5 Szelekció
5 Szelekció
VÁLTOZÓ SZELEKCIÓ
Az elmélettől az adatokig, vagy fordítva?
• Specific-to-general: theory first (reality second?)
• Axiomatikus elmélet, az ökonometria feladata az elméletileg
releváns (strukturális) paraméterek mérése, az elmélet tesztelése
• Probléma: ha a modell feltevései nem teljesülnek, abból még nem
derül ki, hogyan lehetne javítani a helyzeten
• Azokat a változókat használjuk előrejelzésre, amelyek az elmélet
szerint fontosak
• General-to-specific: reality first (aka „LSE módszer”)
• A helyes redukált formájú statisztikai modellből (pl. VAR, VECM)
kell kiindulni, ez jelölje ki, hogy az elméletnek milyen jelenségeket
kell magyaráznia
• Azokat a változókat használjuk, amelyek működnek, az elméleti
relevancia másodlagos
Egy figyelmeztető példa: Juselius-Franchi (2007)
• Ireland (2004)
• Loglinearizált RBC modellt becsül (ML), a technológiai sokk AR(1) folyamatot
követ. Az autokorreláció felszívhatja a mérési hibákat és az egyéb sokkok
hatásait
• Az elmélet szerint a technológiai sokk az egyetlen sztochasztikus trend
(kointegráló kapcsolat) forrása
• Felteszi, hogy minden változó trendstacioner.
• Az AR paraméter 0.9987
• Juselius-Franchi (2007)
• Nézzük meg, hogy az adatok teljesítik-e Ireland implicit feltevéseit!
• Az RBC-t átírják VECM modellé
• A paraméterek időben nem tűnnek stabilnak
• A munkaórák száma nem stacioner
• Nem egy, hanem két sztochasztikus trendet találnak, melyek a fogyasztás és
a munka permanens sokkjaival függnek össze (és nem a TFP-vel)
Mi a haszna a közgazdasági elméletnek előrejelző
modellek építése során? (Giacomini, 2015)
• Empirikus tapasztalatok áttekintése
• Makro és pénzügyi változók előrejelzése havi vagy alacsonyabb
frekvencián
• „Elmélet” lazán értelmezve
• Nemzeti számlás azonosságoktól DSGE modellekig
• Hogyan építhetjük be az elméletet?
• Változók kiválasztása
• Paraméter korlátozások vagy prior eloszlások
• Elméleti és redukált modellek kombinálása
• Elméleti (DSGE) modellel készített előrejelzés
Mi nem működik?
• DSGE modellek
• Ökonometriai modellek és elemzői felmérések jobban
teljesítenek az infláció és kamat, valamint rövidtávon a GDP
előrejelzésében
• DSGE modellek publikálása után romlik az előrejelzési
teljesítményük…
• Hibrid DSGE-ket még nem tesztelték szisztematikusan
• Elmélet vezérelt változószelekció
• Pl. Phillips-görbe, PPP
Mi működik?
• LASSO:
2
𝑁 𝑝 𝑝
ELŐREJELZÉSEK KOMBINÁLÁSA
Modellek illetve előrejelzések kombinálása
RW 1.000 0.96%
VECM 0.510 0.623 0.068 0.038 0.814 0.762 0.854 1.000 0.38%
DFM -0.611 -0.387 0.113 0.477 -0.332 -0.279 -0.303 -0.208 1.000 0.76%
ARIMA
0.501 0.725 0.050 0.325 0.469 0.414 0.373 0.334 -0.160 1.000 0.51%
dezagg.
A 12 hónapos hibák korrelációi magasabbak
RW 1.000 6.83%
VECM 0.826 0.869 0.856 0.536 0.924 0.918 0.961 1.000 4.69%
DFM 0.905 0.982 0.975 0.179 0.980 0.973 0.878 0.890 1.000 4.24%
ARIMA
0.864 0.985 0.992 0.177 0.981 0.963 0.878 0.898 0.976 1.000 3.75%
dezagg.
Survey 0.711 0.865 0.884 -0.117 0.831 0.807 0.620 0.677 0.860 0.858 1.000 5.42%
Mit látunk a hibák korrelációiból?
• 1 hónapos horizonton
• Jó hedge-nek tűnnek azok a modellek, amelyek hibája negatívan van csak
gyengén korrelál a többi modellel (NSA medián, lokális trend, DFM)
• 12 hónapos horizonton
• A korrelációk jóval magasabbak, első ránézésre nem nyilvánvaló, van-e jó hedge
a modellek közt
• A lokális trend hibája gyengén korrelál, de az RMSE borzasztó nagy. Vajon ez
probléma lesz-e?
• A Bloomberg survey korrelációja a jól teljesítő idősoros modellekkel a gyengébbek
közé tartozik. Vajon elegendő ortogonális információt tartalmaz ahhoz, hogy
informatív legyen?
A kombinálás eredményei
Kombinálási séma 1M RMSE 12M RMSE
Top 3 0.345% (VAR, VECM, TVP-AR) 3.937% (VAR, DFM, ARIMA dezagg.)
Legjobb modell + hedge 0.299% (VAR, LT) 8.688% (ARIMA dezagg., LT)
Legjobb egyváltozós, többváltozós + hedge 0.281% (TVP-AR, VAR, LT) 6.463% (ARIMA, ARIMA dezagg., LT)
• Előrejelzések átlagolása
• Védelmet nyújthat a rossz specifikáció, strukturális instabilitás ellen
• Általában javítja az előrejelző teljesítményt
• Ha az egyedi modellek hasonlóan teljesítenek, akkor az egyenlő súlyok is jók
lehetnek; a bonyolultabb sémák nem mindig lényegesen jobbak
• Szükség lehet a leggyengébb modellek kiszűrésére