Rambler's Top100
 

Ренессанс капитал: Опережающий индикатор ВВП РенКап-РЭШ: лучше и раньше


[11.12.2009]  Ренессанс капитал    pdf  Полная версия

Опережающий индикатор ВВП РенКап-РЭШ. Лучше и раньше

- В настоящем отчете мы представляем разработанную нами модель прогнозирования динамики реального ВВП. В дальнейшем мы планируем ежемесячные публикации на эту тему.

- Согласно нашей модели, изменение реального ВВП в квартальном сопоставлении прогнозируется на уровне +6.8% в четвертом квартале 2009 г. и -19.6% в первом квартале 2010 г., что означает +2.3% и +2.6% соответственно с корректировкой на сезонность. По сравнению с аналогичным кварталом предыдущего года мы прогнозируем снижение реального ВВП на 5.7% в четвертом квартале 2009 г. и рост на 6.4% в первом квартале 2010 г.

- Наша модель превосходит «наивные» альтернативные прогнозные модели и прогнозы Центра развития и Министерства экономического развития. Среди конкурирующих моделей наш наиболее серьезный соперник – это прогноз ВВП Министерства экономического развития, но наша модель превосходит его в двух аспектах:

 - Наша оценка ВВП является более точной, поскольку имеет меньшую ошибку прогноза.

 - Наша окончательная оценка роста ВВП публикуется существенно раньше официального прогноза Министерства экономического развития.

Введение

В основе построения нашей модели лежит идея, что реальный ВВП представляет собой обобщающий показатель экономической активности в стране. Большинство наблюдателей по динамике ВВП судят об экономическом благополучии государства и фазе цикла деловой активности. Инвесторы и регулирующие органы принимают решения исходя из своих ожиданий относительно экономической ситуации в кратко- и среднесрочной перспективе. Однако статистика по ВВП публикуется с существенной задержкой. Федеральная служба государственной статистики представляет первую официальную оценку приблизительно через полтора месяца после окончания соответствующего квартала. С этой точки зрения трудно переоценить важность точного и своевременного прогнозирования ВВП. Наша модель дает возможность получить достаточно точный прогноз реального ВВП намного раньше публикации фактических данных (первую оценку ВВП мы получаем за шесть месяцев до выхода официальной статистики). Методология нашего прогноза основана на тех же подходах, которые используются ФРС США и ЕЦБ для построения аналогичных индексов. В основу методологии легли сравнительно недавние достижения современной эконометрики временных рядов (список литературы приведен в Приложении 6).

Согласно нашей модели, изменение реального ВВП в квартальном сопоставлении прогнозируется на уровне +6.8% в четвертом квартале 2009 г. и -19.6% в первом квартале 2010 г., что означает +2.3% и +2.6% соответственно с корректировкой на сезонность. По сравнению с аналогичным кварталом предыдущего года мы прогнозируем снижение реального ВВП на 5.7% в четвертом квартале 2009 г. и рост на 6.4% в первом квартале 2010 г.

Базовая процедура прогнозирования может быть описана следующим образом. В качестве исходных переменных используются 108 месячных временных рядов (включая результаты опросов, цены на сырьевые товары, валютные курсы, показатели реального сектора экономики, индикаторы рынка труда и денежного рынка и др.). Данные охватывают период с января 1996 г. по ноябрь 2009 г., хотя значения большинства переменных доступны лишь до октября 2009 г.

Во-первых, все исходные временные ряды преобразуются к стационарному виду с учетом сезонности и трендов. Кроме того, происходит сглаживание выбросов. Выборка разделяется на сбалансированную и несбалансированную части. Сбалансированная часть представляет собой подвыборку максимальной длины, в которой имеются все помесячные значения предикторов за полное число кварталов. Сбалансированная часть выборки стандартизуется.

Во-вторых, в случае необходимости мы отбираем переменные, используя метод целевых предикторов, или взвешиваем их по методу Boivin, Ng [4]. Здесь цель состоит в том, чтобы снизить уровень шума в выборке и выделить подвыборку предикторов, которые лучше прогнозируют рост ВВП.

В-третьих, мы применяем метод статических факторов. В сбалансированной части выборки мы оцениваем факторы как обычные главные компоненты исходных данных. В результате множество исходных переменных суммируется в виде всего нескольких факторов.

В-четвертых, применяя фильтр Калмана, мы решаем так называемую проблему неровного края, которая возникает, когда значения некоторых переменных отсутствуют из-за лага в публикации, и оцениваем значения факторов для остальной части выборки.

Наконец, на основании этих факторов и лагов ВВП (в случае необходимости) мы прогнозируем динамику реального ВВП в следующем квартале. Модель прогнозирования построена как проекция роста реального ВВП на пространство факторов и собственных лагов, получаемая с помощью метода наименьших квадратов.

Прогноз квартального роста ВВП дается сразу после публикации ежемесячных данных Федеральной службы государственной статистики и результатов опросов «Российского экономического барометра» (РЭБ). Индикаторы сырьевых и финансовых рынков становятся доступны без задержки. Прогноз на данный квартал, сделанный в последующие месяцы, может рассматриваться как корректировка прогноза на этот же квартал, сделанного ранее в предыдущие месяцы, поскольку поступление новой порции данных за очередной истекший месяц служит естественным поводом для пересмотра прогноза динамики ВВП.

Таким образом, мы получаем пять последовательных оценок (версий) квартального роста ВВП. Первая оценка дается в первый месяц предыдущего квартала (за шесть месяцев до того, как Федеральная служба государственной статистики публикует фактический показатель) и основана только на нескольких рядах рыночных данных (РТС, однодневная ставка MOSIBOR и некоторые другие) за этот квартал, а также исторических наблюдениях за предшествующий период. Окончательный пересмотр осуществляется во втором месяце соответствующего квартала, когда все данные за предыдущий квартал опубликованы, т. е. почти за три месяца до публикации официальных данных о ВВП за этот квартал.

При апробации за пределами выборки данных наша модель превосходит конкурирующие модели и «наивные» прогнозы. Среди конкурирующих моделей наш наиболее серьезный соперник –это прогноз ВВП Министерства экономического развития. Тем не менее, наша модель превосходит его в двух аспектах. Во-первых, наша оценка ВВП является более точной, поскольку имеет меньшую среднеквадратичную ошибку прогноза (RMSFE); во-вторых, наш окончательный пересмотр оценки ВВП становится доступен за семь недель до выхода соответствующего прогноза министерства.

Прогноз ВВП на четвертый квартал 2009 г. и первый квартал 2010 г.

В начале декабря 2009 г. мы даем два прогноза ВВП: пятую – окончательную – версию прогноза на четвертый квартал 2009 г. и вторую версию прогноза на первый квартал 2010 г. Оба прогноза основаны на рыночных переменных до конца ноября, большей части данных Федеральной службы государственной статистики до октября и данных исследований «Российского экономического барометра» до сентября.

Согласно нашей модели, изменение реального ВВП в квартальном сопоставлении прогнозируется на уровне +6.8% в четвертом квартале 2009 г. и -19.6% в первом квартале 2010 г., что означает +2.3% и +2.6% соответственно с корректировкой на сезонность. По сравнению с аналогичным кварталом предыдущего года мы прогнозируем снижение реального ВВП на 5.7% в четвертом квартале 2009 г. и рост на 6.4% в первом квартале 2010 г.

Исходные данные

В отличие от США и других развитых стран, где доступны разнообразные экономические индикаторы за длительные периоды времени, в России наличие данных и их временной охват являются довольно серьезной проблемой. Сведения до 1999 г. имеются лишь об очень немногих экономических показателях. Тем не менее, нам удалось собрать более ста временных рядов за достаточно продолжительный временной интервал, и мы планируем увеличить их число в будущем.

Исходные данные, используемые в нашей модели, включают 108 входных переменных за период с января 1996 г. по ноябрь 2009 г. Это результаты опросов, цены на сырьевые товары, валютный курс, индикаторы реального сектора экономики, индикаторы рынка труда и денежного рынка и т. д. Большая часть данных публикуется с определенным лагом, что специально учтено в нашей модели.

До проведения анализа мы преобразуем исходные переменные следующим образом. Во-первых, все предикторы преобразуются с устранением трендов (подробнее см. Приложение 1). Во-вторых, все ряды корректируются с учетом сезонности с использованием фильтра US Census X-11. В-третьих, происходит сглаживание выбросов. Затем выборка разделяется на сбалансированную и несбалансированную части. В сбалансированную часть включается подвыборка данных максимальной длины, где имеются все помесячные значения предикторов за полное число кварталов. Ряды в сбалансированной части стандартизуются путем вычитания среднего и деления на среднеквадратичное отклонение.

Методология модели прогнозирования ВВП

Наша модель разработана для прогнозирования квартального роста ВВП на h кварталов вперед (фактические данные по ВВП публикуются примерно через полтора месяца после окончания соответствующего квартала). В качестве исходных переменных служит множество макроэкономических временных рядов, которые публикуются ежемесячно. Прогноз дается в конце каждого месяца, сразу же после выхода данных Федеральной службы государственной статистики и результатов опросов «Российского экономического барометра» (проект Института мировой экономики и международных отношений, ведется с начала 1990-х гг.). Каждая последующая версия прогноза на данный квартал может рассматриваться как скорректированный прогноз предыдущих месяцев того же квартала с учетом новой информации: поступление новой порции данных служит естественным поводом для пересмотра прогноза динамики ВВП.

Мы даем пять последовательных оценок роста ВВП за каждый квартал. Например, если мы прогнозируем динамику ВВП в первом квартале 2010 г. в конце октября – начале ноября, мы проводим первую оценку на основании небольшого количества рыночных переменных за предшествующий квартал – четвертый квартал 2009 г. – и почти всех данных за третий квартал.

В конце ноября становятся доступными почти все данные Федеральной службы государственной статистики за октябрь (первый месяц четвертого квартала), и мы можем пересмотреть предварительный прогноз роста ВВП. В конце декабря – начале января будет дана третья версия прогноза, и так далее. Последний пересмотр прогноза роста ВВП на первый квартал 2010 г. будет осуществлен в конце февраля, когда будут опубликованы все данные за четвертый квартал 2009 г. Столь большое количество доступных наблюдений позволит нам получить наилучший прогноз. Таким образом, в первый месяц каждого квартала мы публикуем предварительную оценку динамики ВВП в следующем квартале, а во второй месяц квартала – окончательный прогноз роста ВВП за данный квартал. Для примера, в настоящем отчете мы представляем окончательную версию прогноза на четвертый квартал 2009 г. и вторую версию прогноза на первый квартал 2010 г.

В основе нашего подхода лежит идея о том, что изменения, наблюдаемые в большой группе экономических индикаторов, обусловлены воздействием нескольких общих причин, или шоков (подробнее см. Приложение 3). Можно считать, что все временные ряды в нашем массиве данных движимы относительно небольшим количеством общих факторов. Кроме того, каждая переменная содержит идиосинкразическую компоненту (шум). Совокупное воздействие шума снижается по мере включения в модель все большего числа исходных переменных. Если число исходных временных рядов является достаточно большим, как в нашем случае, идиосинкразические слагаемые взаимно ослабляют свой эффект.

С точки зрения технической реализации, с помощью метода главных компонент мы преобразуем большое количество исходных переменных (108 в нашем случае) в меньшее число общих факторов, которые описывают большую часть дисперсии исходного набора данных. Согласно критерию Bai, Ng [2], число статических факторов в нашем массиве данных равно двум. Тем не менее, для большей верности мы также рассматриваем спецификации прогнозного уравнения, включающие один и три статических фактора. Эти факторы будут использованы в качестве предикторов при прогнозировании ВВП на h кварталов вперед. В литературе по макроэкономическому прогнозированию помимо факторов в модель традиционно включаются также лаги целевой переменной (т. е. ВВП) в качестве дополнительных предикторов (в случае необходимости).

Перед выполнением вычислений все исходные временные ряды преобразуются к стационарному виду (из данных убираются сезонность и тренды), а также происходит сглаживание выбросов. Поскольку все временные ряды, которые мы используем при прогнозировании квартальной динамики ВВП, поступают с частотой раз в месяц, мы используем следующую процедуру для объединения квартальных данных по ВВП и помесячных экономических индикаторов. Помесячные показатели для всех рядов преобразуются к стационарному виду и усредняются по кварталам. Затем полученные квартальные ряды нормализуются (таким образом, чтобы для каждой переменной выборочное среднее равнялось нулю, а среднеквадратичное отклонение равнялось единице).

При применении метода главных компонент к исходным временным рядам мы обычно сталкиваемся с так называемой проблемой неровного края, когда имеются не все данные за последние периоды. Например, в конце ноября у нас имелась большая часть экономических индикаторов до октября, а данные опросов «Российского экономического барометра» – только до сентября включительно. Один из способов решения этой проблемы основан на использовании фильтра Калмана (подробнее см. Приложение 4).

Вкратце, мы применяем метод главных компонент к большей, сбалансированной части выборки (в нее включаются временные ряды, в которых имеются все помесячные значения предикторов за полное число кварталов). Затем мы получаем оценку вектора факторов, применяя уравнения фильтра Калмана с использованием только тех переменных, для которых имеются наблюдения за последние месяцы. В результате мы получаем величины статических факторов за весь анализируемый период, включая квартал (ы), где значения некоторых предикторов отсутствуют.

Модель на квартал вперед дает наилучший прогноз

Традиционный способ оценки качества прогноза – это его апробация на данных за пределами выборки оценивания. Предположим, что у нас имеется выборка за периоды t=1,…,T. Начиная с подвыборки t=1,…,P-h (P<T), мы оцениваем факторы и прогнозное уравнение и получаем прогноз на период P: GDPP. Включая в выборку данных еще один период (т. е. t=P-h+1), мы оцениваем факторы и прогнозное уравнение на обновленной выборке и получаем прогноз ВВП на период P+1: GDPP+1. Повторяем эти шаги, пока не будет достигнут последний период t=T-h.

Период с первого квартала 1996 г. по первый квартал 2002 г. минус h кварталов мы выделяем как подвыборку для первого прогноза (т. е. для h=1 подвыборка заканчивается на четвертом квартале 2001 г., а для h=2 – на третьем квартале 2001 г.). Исходя из этой подвыборки данных, мы прогнозируем рост ВВП в первом квартале 2002 г. Затем мы включаем в исходную подвыборку данные, имеющиеся во втором квартале 2002 г. (за первый квартал 2002 г., если h=1), вновь оцениваем факторы и прогнозное уравнение и рассчитываем прогноз на второй квартал 2002 г. Таким образом, для каждого квартала мы используем доступные к этому времени данные и прогнозируем квартальную динамику ВВП на h кварталов вперед. Оценка ВВП в текущем квартале предполагает h=0; h=1 означает, что прогнозируется ВВП за следующий квартал; если h=3, мы даем прогноз ВВП на три квартала вперед на основании экономических индикаторов за текущий квартал (например, в марте мы прогнозируем динамику ВВП в четвертом квартале того же года). Отклонение нашего прогноза от фактического показателя роста ВВП измеряется при помощи среднеквадратичной ошибки прогноза. Из двух вариантов прогноза лучшим считается тот, который имеет меньшую среднеквадратичную ошибку.

Следует отметить, что для различных версий нашего прогноза лучшие спецификации прогнозного уравнения могут различаться. Обращаем внимание, что мы проводим различие между версией прогноза и горизонтом прогнозирования. Это совершенно разные аспекты. Версия прогноза относится к набору информации, на котором основывается наш прогноз. Например, пятая версия прогноза означает, что мы прогнозируем ВВП за квартал t на основе информации, имеющейся на конец второго месяца этого квартала. При этом мы можем использовать различные спецификации прогнозного уравнения для пятой версии прогноза, каждая из которых будет соответствовать, в частности, определенному выбору h: ВВП за квартал t по текущим значениям факторов и собственным лагам (т. е. h=0); ВВП за квартал t по первым лагам факторов и собственным лагам (т. е. h=1) и т. д. Такой подход имеет смысл, поскольку позволяет прийти к компромиссу в сложившейся ситуации. А именно: с одной стороны, для конкретной версии прогноза более высокое значение h предполагает, что величины факторов в период t-h, прогнозирующие ВВП за квартал t, будут оценены лучше. Это связано с тем, что на конец второго месяца квартала t доступно больше релевантных данных за квартал t-h, чем за квартал t-h+1, и т. д. С другой стороны, большая величина h повышает недостоверность прогноза.

К нашему удивлению, модель прогнозирования на квартал вперед (h=1) дает намного лучшие результаты, чем прогнозное уравнение на текущий квартал (h=0). Возможно, это обусловлено тем, что в нашем наборе данных преобладают переменные, движимые шоком, воздействие которого на ВВП имеет некоторый лаг. Такое объяснение согласуется с тем обстоятельством, что значительную часть нашего массива данных составляют переменные, полученные по результатам опросов и, по-видимому, содержащие опережающую компоненту, которая не является пренебрежимо малой. В настоящий момент модели без лагов ВВП имеют наименьшую среднеквадратичную ошибку прогноза среди разных прогнозных спецификаций.

Таким образом, для дальнейшего анализа будет использоваться прогнозное уравнение на один квартал вперед (h=1) без лагов ВВП. Хотя трехфакторная модель имеет самую низкую среднеквадратичную ошибку прогноза, мы также будем экспериментировать с моделями с одним и двумя факторами.

Следует также отметить, что вклад факторов в прогноз ВВП является весьма высоким: среднеквадратичная ошибка модели без факторов (только с лагами ВВП) намного больше, чем у однофакторной модели.

Больше данных не значит лучше

В основе факторной модели лежат два важных допущения. Во-первых, каждый временной ряд имеет ненулевую общую компоненту. Во-вторых, ошибки измерений (остаточные члены) слабо скоррелированы. Если в выборку включить переменную, которая не коррелирует с остальными данными, это не добавляет полезной информации, а только увеличивает уровень шума. Если в группе переменных в наборе данных остаточные члены сильно скоррелированы, они будут усиливать, а не нивелировать эффект друг друга, что ухудшит качество оценки факторов. Практические решения были предложены в работах [4] и [3]: взвесить переменные либо использовать их подмножество, а не весь набор.

Boivin, Ng (2006): взвешивание исходных переменных

В работе [4] предлагается присвоить переменным весовые коэффициенты. Ряду присваивается тем меньший вес, чем большая доля дисперсии объясняется его идиосинкразической компонентой и/или чем выше его абсолютная корреляция с другими переменными. Цель процедуры взвешивания состоит в том, чтобы уменьшить вклад переменных с высоким уровнем шума и высокой степенью перекрестной корреляции ошибок измерений (остаточных членов).

«Правило SWa» предполагает, что веса учитывают диагональные элементы ковариационной матрицы идиосинкразических слагаемых. По «правилу SWb», вес переменной обратно пропорционально зависит от суммы абсолютных величин ее ковариации со всеми другими переменными, включая саму себя.

Как показала наша проверка, описанный в [4] подход к взвешиванию данных не улучшает среднеквадратичную ошибку нашей модели; возможно, из-за того, что учитывает лишь соотношение сигнала и шума и перекрестную корреляцию идиосинкразических компонент и не принимает во внимание относительную ценность отдельных предикторов для целей прогнозирования ВВП. Методы целевых предикторов, напротив, формируют факторы на основании подвыборки переменных (предикторов), имеющих высокую прогностическую способность по отношению к ВВП.

Bai, Ng (2008): метод целевых предикторов

В работе [3] предложен так называемый метод целевых предикторов. Теоретически важность различных типов макроэкономических шоков (монетарные, налогово-бюджетные, производительность, условия торговли и др.) отличается для разных переменных. Например, монетарный шок объясняет высокую долю дисперсии цен и низкую долю дисперсии производительности отраслей, тогда как для шоков производительности верно обратное. Это предполагает, что различные переменные в разной степени помогают при оценке конкретного фактора. В идеале хотелось бы оставить в нашем наборе данных лишь те ряды, на которые влияют те же факторы, что важны для ВВП.

Рассмотрев каждую переменную, можно проранжировать все временные ряды по их способности прогнозировать ВВП. Тогда для оценки факторов используются только переменные с самым высоким рейтингом. По сути, такой подход устраняет из массива информации все данные, нерелевантные для объяснения динамики ВВП.

Один из вариантов применения целевых предикторов – это так называемый метод «жесткого порога», в рамках которого предикторы ранжируются по их способности предсказывать ВВП (измеряемой абсолютной величиной соответствующей t-статистики) в прогнозных регрессиях с одним предиктором.

Результаты применения данного метода демонстрируют, что состояние российской экономики сильно взаимосвязано с активностью в банковской системе, а также способностью и готовностью банков финансировать реальный сектор. Согласно проведенному ранжированию (подробнее см. Приложение 2), переменные индекс РЭБ «11. Индекс условий получения банковских кредитов, промышленность, факт» и «Денежная масса M2» лучше всего прогнозируют изменение реального ВВП в следующем квартале.

Денежная масса M2 косвенно отражает уровень активности в банковском секторе, так как агрегат M2 может быть представлен как произведение агрегата M0 (денежная база применительно к России) и денежного мультипликатора. Когда экономические перспективы расцениваются как хорошие, банки настроены оптимистично и наращивают объемы кредитования экономики, что увеличивает денежный мультипликатор и приводит к росту M2. Когда перспективы менее благоприятны, кредитные организации предпочитают сокращать выдачу кредитов и аккумулируют избыточные резервы. В результате денежный мультипликатор снижается и денежная масса уменьшается.

Другое возможное объяснение связано с поступлениями от экспорта нефти. При высокой цене на нефть масштабный приток нефтедолларов позволяет Банку России наращивать валютные резервы в обмен на новые деньги. Снижение цены на нефть влечет за собой ухудшение перспектив экономики в целом и ослабление рубля. Последнее стимулирует экономических агентов к перебалансировке портфелей с увеличением доли иностранных активов. В условиях управляемого плавающего валютного курса в России это закономерно приводит к сокращению денежной базы и денежной массы.

Взаимосвязь между доступностью банковских кредитов и общим состоянием экономики страны подтверждает ситуация, сложившаяся в 2008 г., когда финансовый кризис предшествовал началу масштабного экономического спада. Вслед за индексом условий получения кредитов и M2 в 30 переменных, хорошо предсказывающих ВВП, также входит цена на нефть марки Urals и промышленное производство.

Как показала апробация прогноза на данных за пределами выборки оценивания, этот метод не дает возможности существенно улучшить нашу модель. Кроме того, при применении метода «жесткого порога» может оказаться, что отобраны слишком «похожие» переменные, а информация в других предикторах упущена. Метод наименьших углов (LARS) предлагает более гибкую альтернативу, поскольку позволяет осуществлять отбор новых целевых предикторов с учетом прогностической способности уже отобранных.

Однако апробация соответствующих прогнозов за пределами выборки оценивания показывает, что метод наименьших углов также не повышает качество результата. Таким образом, в этот раз для прогнозирования ВВП мы будем использовать все предикторы без весовых коэффициентов.

Наш окончательный выбор: трехфакторная модель без лагов ВВП

По результатам тестирования на данных вне выборки трехфакторная модель без лагов ВВП и с использованием всех предикторов превосходит все другие спецификации. Таким образом, пока мы будем использовать ее как основную модель прогнозирования. В будущем, однако, мы планируем регулярно тестировать все другие спецификации и методы отбора переменных, проверяя, дает ли наша модель по-прежнему лучшие результаты.

Наша модель превосходит конкурирующие модели и «наивные» альтернативные модели

Мы оцениваем качество нашей модели по ее способности прогнозировать за пределами выборки оценивания. Модель считается лучшей, если в результате она дает прогноз с меньшей среднеквадратичной ошибкой, чем альтернативные прогнозные модели или индикативные прогнозы.

На основании сравнения среднеквадратичных ошибок наша модель превосходит как «наивные» прогнозные модели, так и более содержательные конкурирующие модели, среди которых самым сильным соперником является прогноз Министерства экономического развития.

Модель случайного блуждания и простой авторегрессионный прогноз – упрощенные модели, которые в литературе по макроэкономическому прогнозированию традиционно используются в качестве удобного ориентира. Все спецификации нашей модели при h=1 стабильно превосходят оба эти прогноза. Большинство спецификаций при h=0 имеют более низкую среднеквадратичную ошибку прогноза, чем «наивные» модели, однако их расхождение не является значительным.

Центр развития публикует опережающий, синхронный и запаздывающий индексы для российской экономики. Хотя они не являются прямо сопоставимыми с показателями роста ВВП, эти индексы могут быть использованы в качестве исходных данных для прогнозирования динамики ВВП. В частности, наилучший прогноз на основании индексов Центра развития строится следующим образом: в качестве предикторов берутся сводный опережающий индекс (СOИ) и лаги роста ВВП, после чего проверяется несколько вариантов прогнозной модели. Лучшая спецификация по результатам апробации за пределами выборки оценивания используется в качестве прогноза Центра развития. Среднеквадратичная ошибка такого прогноза ВВП на квартал вперед (умноженная на 100) равна 1.97, что превышает соответствующую статистику нашей модели (0.95).

Оценки Министерства экономического развития оказались самым серьезным конкурентом для нашей модели. Министерство публикует данные по ВВП ежемесячно, обычно в течение трех недель по окончании соответствующего месяца. Оценки ВВП за каждый месяц агрегируются в квартальные данные для сравнения с фактическим изменением ВВП. Прогноз ВВП Министерства экономического развития и торговли имеет среднеквадратичную ошибку (умноженную на 100) на уровне 1.48, следовательно, наша модель его превосходит. Еще одно преимущество нашего прогноза состоит в том, что мы публикуем его окончательную версию за семь недель до выхода соответствующего прогноза министерства.

Некоторые детали расчета оценок

Ежемесячный пересмотр прогноза ВВП

Мы даем пять версий прогноза ВВП на каждый квартал. Они представляют собой прогнозы, сделанные с первого по третий месяц предшествующего квартала (версии 1-3) и в первый и второй месяц рассматриваемого квартала (версии 4-5).

Очевидно, что в первой и второй версии используется наименьший объем информации, что обусловливает более высокую среднеквадратичную ошибку прогноза. С третьей по пятую версии среднеквадратичная ошибка постепенно снижается, достигая минимального значения в пятой версии прогноза, когда все необходимые данные уже доступны.

Следует отметить, что спецификация модели с тремя факторами и без лагов ВВП превосходит другие спецификации для всех версий прогноза. Таким образом, мы будем использовать именно такую модель для прогнозирования динамики ВВП в четвертом квартале 2009 г. (пятая версия прогноза) и в первом квартале 2010 г. (вторая версия прогноза).

 
комментарий
 


 

Тел: +7 (495) 796-93-88


Архив комментариев

ПНВТСРЧТПТСБВС
30 31 1 2 3 4 5
6 7 8 9 10 11 12
13 14 15 16 17 18 19
20 21 22 23 24 25 26
27 28 29 30 1 2 3
   
 
    
   

Выпуски облигаций эмитентов: