Большая квартальная байесовская векторная авторегрессия для современной российской экономики

При прогнозировании экономической динамики часто возникают сложности с выбором необходимых переменных. С одной стороны, модели векторных авторегрессий (VAR) могут решить эту проблему, позволяя учитывать достаточно большое число переменных. С другой стороны, избыточная параметризация подобных моделей не всегда оправдана, потому что зачастую можно подобрать небольшую комбинацию переменных, прогностическая сила которой будет не хуже неограниченных VAR с большим числом переменных и лагов. Байесовские методы помогают решить данную проблему с помощью введения априорных ограничений на коэффициенты VAR. Основной целью данной работы является построение большой квартальной байесовской векторной авторегрессии (QBVAR) для современной российской экономики. Гипотезы исследования: 1) BVAR(p) модели раскрывают свой максимальный потенциал при малом числе переменных, но с большим числом лагов; 2) априорное распределение Миннесота не всегда является оптимальным вариантом для современной российской экономики в модели BVAR(p). Проведенный нами анализ показал, что для ряда важнейших макроэкономических переменных (ВВП, инфляция, ключевая ставка, безработица, заработные платы) приоры типа Normal-Flat/Wishart оказались наиболее оптимальными. В случае 29 входящих переменных и двух лагов прогностическая сила модели QBVAR(2) слабее аналогичной ей частотной VAR(2) или VECM(2). Однако когда удалось найти оптимальные комбинации переменных, QBVAR(p) оказалась в несколько раз точнее аналогичной ей частотной VAR(p) по всем важным макроиндикаторам. Параметры жесткости рассмотренных априорных распределений уменьшаются с ростом входящих лагов в модель, т. е. чем выше порядок модели с минимальным оптимальным набором переменных, тем более жесткое распределение необходимо для более точных прогнозов. Для российских реалий необходимо использовать очень жесткие приоры — до 8 переменных и до 12 лагов в квартальном представлении.