Le previsioni economiche sono progredite rapidamente, grazie a dati più ricchi, algoritmi migliori e valutazioni rigorose. Tre pratiche migliorano costantemente la precisione. Innanzitutto, combinate più modelli, poiché le combinazioni previsionali spesso superano qualsiasi modello nei test non campionari, una scoperta che risale a Bates e Granger e confermata da recensioni e libri di testo moderni (resoconto, capitolo del libro di testo). In secondo luogo, selezionate sistematicamente i predittori utilizzando metodi che evitino il sovradattamento. In terzo luogo, per il nowcasting, sfruttate gli indicatori ad alta frequenza con metodi a frequenza mista come MIDAS e MF-VAR, che conservano le informazioni che l'aggregazione temporale getta via (Ghysels et al., Giannone—Reichlin—Piccolo). Per l'analisi degli scenari, la previsione condizionale nei modelli VAR e DSGE secondo il framework bayesiano di Waggoner e Zha abilita percorsi ipotetici vincolati da ipotesi politiche o macro.

1) Indicio

Indicio è una piattaforma di previsione senza codice progettata per gli economisti che necessitano di una solida selezione di modelli, un'ampia copertura dei modelli e una rapida analisi degli scenari. Automatizza la selezione delle variabili tra set di dati di grandi dimensioni, valuta un ampio portafoglio di modelli econometrici, di serie temporali e ML e li suddivide in insiemi. Per il nowcasting, supporta la modellazione a frequenza mista per inserire indicatori giornalieri e settimanali nelle previsioni mensili o trimestrali. L'analisi degli scenari utilizza il framework di previsione condizionale introdotto da Waggoner e Zha, in modo da poter condizionare i percorsi in base a ipotesi politiche o di mercato e generare distribuzioni in pochi clic. Il fornitore segnala che gli utenti ottengono notevoli miglioramenti del nowcasting e garantisce un aumento di precisione di almeno il 30 percento grazie alla selezione automatica e agli insiemi (panoramica dello nowcasting).

Vantaggi:

1. Selezione automatica delle variabili e ampia libreria di modelli con insiemi ponderati, mirata all'aumento della precisione.
2. Nowcasting a frequenza mista con dati ad alta frequenza e prove di guadagni considerevoli.
3. Analisi dello scenario tramite previsioni condizionali Waggoner-Zha, implementate tramite un'interfaccia utente intuitiva.

Svantaggi:

1. Costa più dei pacchetti open source.
2. Non è possibile codificare i propri modelli, sebbene sia possibile regolare le impostazioni del modello.
3. Richiede una connessione Internet.

2) Recensioni

EViews rimane un punto fermo per i macroeconomisti applicati che necessitano di serie temporali approfondite e strumenti econometrici in un ambiente point-and-click. Offre ARIMA/ETS, VAR/VEC, state-space, routine bayesiane e regressioni MIDAS native in modo da poter combinare obiettivi trimestrali con indicatori mensili o giornalieri senza preaggregazione. Le versioni recenti hanno aggiunto miglioramenti che combinano MIDAS con la ricerca automatica in stile GETS per selezionare i predittori ad alta frequenza pertinenti per i flussi di lavoro di nowcasting. Queste funzionalità semplificano il test di molte specifiche, il confronto della precisione e l'assemblaggio di una strategia funzionante (Panoramica di EViews MIDAS, Miglioramenti di EViews 12).

Vantaggi:

1. Gestione nativa dei dati MIDAS e a frequenza mista per pratiche build di nowcasting.
2. Ampia copertura econometrica, inclusi VAR/VEC e spazio tra stati.
3. Confronto tra modelli basato sull'interfaccia utente che supporta i flussi di lavoro di insieme.

Svantaggi:

1. Ponderazione automatica dell'insieme limitata e integrata rispetto alle piattaforme specializzate.
2. Sono necessari script complessi o configurazione manuale per griglie di modelli su larga scala.
3. La collaborazione e il controllo delle versioni sono meno moderni degli strumenti nativi del cloud.

3) MATLAB Econometrics Toolbox (+ toolbox della community)

L'Econometrics Toolbox di MATLAB fornisce un ambiente maturo per VAR/VEC, spazio degli stati, VAR bayesiano e previsioni vincolate o condizionali. Gli esempi ufficiali mostrano come generare risposte condizionali nei VAR, il che è alla base di un'analisi disciplinata degli scenari. Per la modellazione a frequenza mista, i professionisti utilizzano comunemente toolbox basati su MATLAB come il pacchetto JSS mixed-frequency state-space di Brave e coautori o il toolbox MIDAS creato da Ghysels, che consente i flussi di lavoro MIDAS e MF-State-Space insieme allo stack di ottimizzazione e visualizzazione di MATLAB (esempio di previsioni condizionali, guida allo spazio degli stati a frequenza mista, Cassetta degli attrezzi MIDAS).

Vantaggi:

1. Ambiente end-to-end per l'econometria, la simulazione e l'analisi degli scenari condizionali.
2. Ricco ecosistema di componenti aggiuntivi VAR bayesiani e a frequenza mista.
3. Strumenti robusti per l'automazione, la riproducibilità e la visualizzazione.

Svantaggi:

1. I costi di licenza si sommano con più toolbox.
2. Le funzionalità a frequenza mista spesso si basano su componenti aggiuntivi o codice della community.
3. Curva di apprendimento più ripida rispetto alle suite point-and-click.

4) Econometria SAS (SAS/ETS)

SAS/ETS offre serie temporali e procedure econometriche di livello industriale, tra cui le varianti state-space, UCM, ARIMA/ARIMAX, VAR/MAX e bayesiane. La sua documentazione include esempi pratici per previsioni condizionali e analisi di scenari con VARMAX, il che la rende adatta per ipotizzare le politiche e per gli stress test. Nelle organizzazioni di grandi dimensioni, la governance, la pianificazione e gli audit trail di SAS aiutano a spostare le previsioni dal prototipo alla produzione (previsioni e scenari condizionali in VARMAX, esempio).

Vantaggi:

1. Flussi di lavoro integrati per previsioni condizionali e scenari per VAR/MAX.
2. Implementazione, registrazione e governance di livello aziendale.
3. Ampia libreria per modelli classici e spaziali con driver esogeni.

Svantaggi:

1. Costo totale di proprietà elevato.
2. Meno flessibile per il machine learning all'avanguardia rispetto agli ecosistemi Python/R.
3. L'esperienza della GUI sembra datata rispetto alle piattaforme più recenti.

5) OxMetrics (PCGive + Autometria)

OxMetrics con PCGive si concentra sulla modellazione econometricamente disciplinata. Autometrics implementa l'approccio generico-specifico per la selezione automatica delle variabili e dei ritardi, aiutandovi ad attraversare enormi spazi del modello preservando il rigore diagnostico, una risposta efficace alla domanda sulle variabili da inserire nella domanda sul modello. PCGive copre sistemi a equazione singola e multipla, VAR, cointegrazione e altro, consentendovi di valutare molte strutture e quindi combinare o confrontare i risultati per stabilizzare la precisione (Annotazione manuale PCGive Integrazione con Autometrics, Principi dell'autometria).

Vantaggi:

1. Selezione automatica industrializzata delle variabili tramite Autometrics/GETS.
2. Diagnostica efficace per errori di specificazione, stabilità e valori anomali.
3. Adatto alla creazione di modelli difendibili che gli analisti possono spiegare.

Svantaggi:

1. Meno opzioni e insiemi ML pronti all'uso.
2. Il supporto a frequenza mista si basa su flussi di lavoro anziché su moduli dedicati.
3. Un ecosistema di estensioni di terze parti più piccolo rispetto a MATLAB/R.

6) Dinaro

Dynare è il principale ambiente open source per la modellazione DSGE e la macroeconometria bayesiana. Supporta la previsione condizionale e l'analisi degli scenari limitando i percorsi di variabili o shock selezionati, il che è ideale per simulazioni politiche ed esercizi di orientamento previsionale. Gli economisti possono integrare elementi DSGE e BVAR per confrontare proiezioni coerenti dalla teoria con alternative basate sui dati e persino combinarle per stabilizzare l'accuratezza (Manuale Dynare: previsione).

Vantaggi:

1. Flussi di lavoro DSGE e bayesiani all'avanguardia per scenari di livello politico.
2. Open source, con un'ampia base di utenti accademici e delle banche centrali.
3. Flessibile per percorsi vincolati e simulazioni multi-shock.

Svantaggi:

1. Curva di apprendimento ripida e flusso di lavoro incentrato sul codice.
2. GUI e report limitati rispetto alle suite commerciali.
3. Frequenza mista gestita indirettamente tramite configurazioni personalizzate dello spazio di stato.

7) Stata

Stata è un banco di lavoro econometrico versatile con una solida copertura di serie temporali, tra cui VAR/VECM e VAR bayesiani per previsioni multivariabili. Supporta flussi di lavoro di previsione dinamici e bayesiani e si integra facilmente con script riproducibili per test retrospettivi e valutazioni affidabili. Per l'analisi degli scenari, è possibile condizionare le previsioni attraverso la struttura del modello e i percorsi esogeni e sfruttare la toolchain bayesiana per la quantificazione dell'incertezza (Previsioni VAR bayesiane a Stata).

Vantaggi:

1. Flussi di lavoro VAR/VEC e VAR bayesiani affidabili con analisi dell'incertezza.
2. Solida gestione dei dati e pipeline di do-file riproducibili.
3. Buona documentazione e supporto da parte della community.

Svantaggi:

1. Nessun modulo MIDAS nativo chiavi in mano per il nowcasting a frequenza mista.
2. Meno utilità automatiche di ensemble pronte all'uso.
3. Visualizzazione e dashboard meno moderne rispetto alle piattaforme specializzate.

8) Ecosistema R (midasr, vars, BVAR e altro)

R offre lo stack open source migliore della categoria per le previsioni economiche. Il midasr il pacchetto implementa MIDAS e U-MIDAS per il nowcasting a frequenza mista, varchi fornisce a VAR/SVAR/VECM previsioni e IRF e BVAR supporta i VAR bayesiani con metodi di analisi degli scenari. In combinazione con i pacchetti di stacking, è possibile creare griglie di modelli di grandi dimensioni, eseguire la selezione delle variabili e raggruppare modelli classici e ML. È potente, estensibile e pronto per la produzione con la giusta progettazione (articolo midasr JSS, manuale vars CRAN, Manuale BVAR CRAN).

Vantaggi:

1. Nowcasting a frequenza mista di prima classe con MIDAS/U-MIDAS.
2. Ampia copertura econometrica oltre a moderne librerie ML e di stacking.
3. Costo più basso e massima estensibilità tramite pacchetti.

Svantaggi:

1. Ricco di codice, richiede ingegneria per la governance e le MLOPS.
2. La qualità varia tra i pacchetti, aumentando i costi di convalida.
3. Nessun fornitore per il supporto, a meno che tu non lo stipuli sotto contratto.

Perché queste funzionalità sono importanti in questo momento

• Selezione variabile scalabile
  La selezione delle variabili bayesiane, la ricerca graduale, la penalizzazione e lo screening basato sui fattori riducono i falsi positivi e stabilizzano l'errore fuori campione quando il set di predittori candidati è ampio (Indicio: selezione variabile).
• Ensemble su singoli modelli
  Decenni di prove dimostrano che le combinazioni in genere superano le specifiche individuali in tutte le condizioni, riducendo la varianza e il rischio del modello (Revisione cinquantennale, nota del libro di testo).
• Frequenza mista per il nowcasting
  MIDAS e MF-VAR utilizzano tutti i segnali tempestivi giornalieri o settimanali senza aggregazioni che distruggono le informazioni e lavori recenti mostrano sostanziali guadagni di precisione nella pratica (Ghysels et al., Applicazioni della BCE, Cleveland Fed 2024).
• Analisi dello scenario basata su principi
  Le previsioni condizionali che seguono il framework Waggoner-Zha consentono di imporre percorsi futuri morbidi o duri e di generare distribuzioni per la definizione di politiche what-if (Waggoner e Zha, Scenari VAR di grandi dimensioni della BCE).

‍