سریال کار شماره. 903: پیش بینی اقتصاد کلان با استفاده از سیگنال های فیلتر شده از مقطع بورس اوراق بهادار

قیمت سهام در پی COVID-19 به طور ناگهانی کاهش یافت و این نشان دهنده وخیم تر شدن انتظارات سرمایه گذاران از فعالیت اقتصادی و همچنین افزایش گریز از ریسک است. با این حال ، در ماه های بعد ، فعالیت اقتصادی لاغر باقی مانده است در حالی که بازارهای سهام عقب می روند. این قطع ارتباط بین ارزش های سهام و متغیرهای کلان را می توان تا حدی توسط سایر عوامل توضیح داد ، یعنی کاهش نرخ بهره بدون ریسک ، و-برای ایالات متحده-سودآوری قوی بخش IT. در نتیجه ، یک اقتصاد سنجی پیش بینی فعالیت اقتصادی با متغیرهای کل بورس سهام در طول بحران COVID احتمالاً نتایج ضعیفی کسب می کند. از این رو سهم اصلی ما متکی به متغیرهای سهام تقسیم شده در یک مدل عامل به منظور پیش بینی فعالیت اقتصادی ایالات متحده است. ما اول می یابیم که مدل فاکتور بهتر فعالیت اقتصادی آینده را در مقایسه با متغیرهای سهام کل ، یا معیارهای معمولی مورد استفاده در ادبیات ، چه در نمونه و چه در خارج از نمونه ، پیش بینی می کند. دوم ، ما نشان می دهیم که عملکرد قوی مدل فاکتور از این واقعیت ناشی می شود که مؤلفه "بازده مورد انتظار" متغیرهای سهام بخش و همچنین مؤلفه خارجی جریان های نقدی آینده را فیلتر می کند. فاکتور ساخته شده بیش از حد بالادست و "ارزش" است که به نظر می رسد که از نزدیک با وضعیت آینده چرخه تجارت مرتبط است.

پس از شوک Covid در مارس 2020 ، قیمت کل سهام به طور ناگهانی کاهش یافت و این نشان دهنده وخامت انتظارات از فعالیت های اقتصادی آینده و همچنین افزایش گریز از خطر است. با این حال ، در ماه های بعد ، و در کمال تعجب بسیاری ، در حالی که فعالیت های اقتصادی لاغر باقی مانده است ، بازارهای سهام عدالت به شدت عقب می روند. در نتیجه ، یک اقتصاد سنجی پیش بینی فعالیت اقتصادی با متغیرهای سهام کل در طول بحران COVID احتمالاً نتایج ضعیفی به دست می آورد.

ایده این مقاله تکیه بر متغیرهای سهام بخش برای پیش بینی رشد تولید صنعتی آینده (IP) در ایالات متحده است. با کمال تعجب ، در حالی که داده های عدالت جدا شده به راحتی بدون تاخیر در دسترس است ، به دانش ما ادبیات مدلهای فاکتور به ندرت به داده های سهام بخش متکی است ، و هرگز به طور خاص یک عامل خارج از متغیرهای سهام بخش را تخمین نمی زند. این مقاله بنابراین اولین کاربرد یک مدل فاکتور برای استخراج محتوای پیش بینی از این متغیرهای سهام بخش است.

از طرف نتیجه ، ابتدا متوجه می شویم که فاکتور ما بر اساس بازده سود سهام بخش (DY) رشد IP را بهتر پیش بینی می کند ، در مقایسه با همان متغیر اندازه گیری شده به عنوان یک کل و سایر مدلهای معیار معمولی (هر دو نمونه و خارج از آننمونه ، و در افق های مختلف ، نمودار زیر را ببینید). دوم ، ما نشان می دهیم که مدل ما دقت پیش بینی را بهبود می بخشد زیرا مؤلفه های پر سر و صدا متغیرهای سهام ، یعنی مؤلفه بازده/نرخ تخفیف مورد انتظار و همچنین مؤلفه خارجی جریان های نقدی آینده را فیلتر می کند. سوم ، ما قادر به شناسایی بخش هایی هستیم که قدرت پیش بینی اضافی را ارائه می دهند. به طور خاص ، ما می دانیم که مدل فاکتور ما در بخش های بالادست (صنعت اولیه و سایر ورودی های صنعتی) و بخش های "ارزش" اضافه می شود ، زیرا به نظر می رسد که دومی از نزدیک با چرخه تجارت ایالات متحده در ارتباط است. برای نتیجه گیری ، می فهمیم که مدل فاکتور بهتر قادر به پیش بینی IP و به ویژه در دوره های رشد منفی است. در نتیجه ، مدل ما دقیقاً در مواقع استرس اقتصادی دقت بیشتری دارد. برای مأمورین (به عنوان مثال سیاستگذاران یا بانکداران مرکزی) این ویژگی از اهمیت ویژه ای برخوردار است با توجه به اینکه این دوره ها اغلب با اطمینان کلان بالا و نیاز به پیش بینی های قابل اعتماد چرخه کسب و کار مشخص می شوند.