Vectorautoregressieve (VAR) -modellen zijn sterk geparametriseerd en kunnen de gegevens gemakkelijk overzetten, wat leidt tot een slechte voorspellingsnauwkeurigheid. Bayesiaanse VAR (BVAR) -modellen pakken dit probleem aan door voorafgaande informatie te introduceren die de parameterschattingen regulariseert. Bayesiaanse inferentie combineert gegevens en eerdere overtuigingen met behulp van de stelling van Bayes, wat resulteert in een posterieure kansverdeling voor de modelparameters en een voorspellende verdeling voor toekomstige waarden van de tijdreeks.
De steady-state prior vormt een aanvulling op de krimpeigenschappen van de Eerder in Minnesota door economisch zinvolle informatie toe te voegen over het langetermijnniveau van de variabelen in het model.
Met de Steady-state prior [^1] kunnen voorspellers voorkennis over het gemiddelde of de stabiele toestand van elke tijdreeks opnemen. Dit langetermijngemiddelde speelt een cruciale rol bij het maken van voorspellingen, aangezien voorspellingen van stationaire modellen op lange termijn convergeren naar de stabiele toestand.
Empirisch bewijs toont aan dat het opnemen van eerdere informatie over stabiele toestanden de nauwkeurigheid van de voorspellingen op zowel korte als lange afstanden verbetert.
De eerste stap is het specificeren van steady-state priors voor elke tijdreeks in het model. Elke prior wordt verondersteld normaal verdeeld te zijn en wordt gekenmerkt door een eerder gemiddelde (de beste schatting van de voorspeller van het niveau op lange termijn) en een eerdere standaardafwijking (die de onzekerheid rond dat gemiddelde weerspiegelt).
Als het VAR-model bijvoorbeeld de inflatie omvat voor een land met een inflatiedoelstelling van 2%, is een logische keuze een vooraf gemiddelde voor de stabiele toestand van 2% (of 0,02 als de inflatie in decimale vorm wordt uitgedrukt). Afhankelijk van hoe zeker de voorspeller is van deze informatie, kan de voorafgaande standaardafwijking worden ingesteld op:
- een lage waarde, bijvoorbeeld 0,1, wat een kort waarschijnlijkheidsinterval van 95% geeft van ongeveer 1,8 tot 2,2, of
- een hoge waarde, bijvoorbeeld een standaardafwijking van 2, wat een ruim 95% eerdere waarschijnlijkheidsinterval oplevert van ongeveer -2 tot 6.
Een lage voorafgaande standaardafwijking houdt in dat de steady-state prior een sterke invloed heeft op het aangepaste model, terwijl een hoge standaardafwijking ervoor zorgt dat de gegevens een grotere rol spelen. Deze flexibiliteit maakt het mogelijk om informatieve steady-state priors te gebruiken voor goed begrepen variabelen en tegelijkertijd agnostisch te blijven over het gedrag van anderen op lange termijn.
Het model wordt vervolgens aan de gegevens aangepast door de posterieure verdeling van de VAR-parameters te simuleren met behulp van een efficiënt geblokkeerd Gibbs-samplingalgoritme. De posterieure parametertekeningen worden vervolgens gebruikt om gesimuleerde voorspellingspaden te genereren, die samen de volledige voorspellende verdeling over alle prognosehorizonten weergeven.
[^1] :Villani, M. (2019). Stabiele priorwaarden voor autoregressies van vectoren. *Tijdschrift voor Toegepaste Econometrics*. [[pdf]] (https://doi.org/10.1002/jae.1065)
We bieden geautomatiseerde voorspellingssoftware die geavanceerde academische methoden combineert met marktspecifieke toonaangevende indicatoren. Dit helpt uw organisatie om het hoogste niveau van voorspellingsnauwkeurigheid te bereiken.
© 2025 Indicio Technologies Alle rechten voorbehouden
