Prognozowanie ekonomiczne postępuje szybko, napędzane bogatszymi danymi, lepszymi algorytmami i rygorystyczną oceną. Trzy praktyki konsekwentnie poprawiają dokładność. Po pierwsze, połącz wiele modeli, ponieważ kombinacje prognoz często pokonują każdy pojedynczy model w testach poza próbką, odkrycie sięgające Batesa i Grangera i potwierdzone przez nowoczesne recenzje i podręczniki (przegląd, rozdział podręcznika). Po drugie, systematycznie wybieraj predyktory stosując metody chroniące przed nadmiernym dopasowaniem. Po trzecie, w przypadku nowcastingu wykorzystuj wskaźniki wysokiej częstotliwości za pomocą metod o mieszanej częstotliwości, takich jak MIDAS i MF-VAR, które zachowują informacje, które agregacja czasu wyrzuca (Ghysels i in., Giannone—Reichlin—Mały). Do analizy scenariusza, prognozowania warunkowego w modelach VAR i DSGE zgodnie z ramami bayesowskimi Waggoner i Zha umożliwia ścieżki co jeśli ograniczone założeniami zasad lub makr.

1) Wskaźnik

Indicio to platforma prognozowania bez kodu przeznaczona dla ekonomistów, którzy potrzebują solidnego wyboru modelu, szerokiego zakresu modelu i szybkiej analizy scenariuszy. Automatyzuje wybór zmiennych w dużych zbiorach danych, ocenia szeroką gamę modeli ekonometrycznych, szeregów czasowych i ML oraz waży je na zespoły. W przypadku nowcastingu obsługuje modelowanie o mieszanej częstotliwości w celu przyjmowania dziennych i tygodniowych wskaźników w prognozach miesięcznych lub kwartalnych. Analiza scenariuszy wykorzystuje ramy prognozowania warunkowego wprowadzone przez Waggonera i Zha, dzięki czemu możesz warunkować ścieżki na podstawie założeń polityki lub rynku i generować dystrybucje za pomocą kilku kliknięć. Dostawca zgłasza, że użytkownicy osiągnęli duże ulepszenia nowcastingu i gwarantuje co najmniej 30-procentowy wzrost dokładności dzięki automatycznemu wyborowi i zestawom (nowcasting przegląd).

Plusy:

1. Zautomatyzowany wybór zmiennych oraz duża biblioteka modeli z zestawami ważonymi, podnosząc dokładność kierowania.
2. Nowcasting o mieszanej częstotliwości z danymi o wysokiej częstotliwości i dowodami znacznych zysków.
3. Analiza scenariuszy za pomocą prognoz warunkowych Waggoner-Zha, realizowana za pomocą przyjaznego dla użytkownika interfejsu użytkownika.

Minusy:

1. Kosztuje więcej niż pakiety open source.
2. Nie możesz kodować własnych modeli, chociaż możesz dostroić ustawienia modelu.
3. Wymaga połączenia z Internetem.

2) eWidoki

eViews pozostaje podstawą dla stosowanych makroekonomistów, którzy potrzebują głębokich szeregów czasowych i narzędzi ekonometrycznych w środowisku typu „wskaż i kliknij”. Oferuje ARIMA/ETS, VAR/VEC, stan space, procedury bayesowskie i natywne regresje MIDAS, dzięki czemu można łączyć kwartalne cele ze wskaźnikami miesięcznymi lub dziennymi bez wstępnej agregacji. Ostatnie wydania dodały ulepszenia, które łączą MIDAS z automatycznym wyszukiwaniem w stylu GETS, aby wybrać odpowiednie predyktory wysokiej częstotliwości dla bieżących przepływów pracy. Funkcje te ułatwiają przetestowanie wielu specyfikacji, porównanie dokładności i złożenie strategii zespołu roboczego (eViews MIDAS przegląd, Ulepszenia eViews 12).

Plusy:

1. Natywne MIDAS i obsługa danych o mieszanej częstotliwości dla praktycznych kompilacji nowcastingu.
2. Szeroki zasięg ekonometryczny, w tym VAR/VEC i przestrzeń stanowa.
3. Porównanie modeli oparte na interfejsie użytkownika, które obsługuje zespołowe przepływy pracy.

Minusy:

1. Ograniczone wbudowane zautomatyzowane ważenie zestawu w porównaniu do specjalistycznych platform.
2. Wymagane ciężkie skrypty lub ręczna konfiguracja w przypadku siatek modeli na dużą skalę.
3. Współpraca i tworzenie wersji są mniej nowoczesne niż narzędzia natywne dla chmury.

3) MATLAB Econometrics Toolbox (+ zestawy narzędzi społeczności)

Zestaw narzędzi Econometrics firmy MATLAB zapewnia dojrzałe środowisko dla VAR/VEC, przestrzeni stanowej, bayesowskiego VAR oraz prognozowania ograniczonego lub warunkowego. Oficjalne przykłady pokazują, jak generować odpowiedzi warunkowe w VAR, co stanowi podstawę zdyscyplinowanej analizy scenariuszy. Do modelowania o mieszanej częstotliwości praktycy zwykle używają zestawów narzędzi opartych na MATLAB, takich jak pakiet przestrzeni stanów mieszanej częstotliwości JSS autorstwa Brave i współautorów lub zestaw narzędzi MIDAS zasiany przez Ghysels, umożliwiając przepływy pracy MIDAS i MF-State-space wraz ze stosem optymalizacji i wizualizacji MATLAB (przykład prognoz warunkowych, przewodnik o przestrzeni stanów o mieszanej częstotliwości, Skrzynka narzędziowa MIDAS).

Plusy:

1. Środowisko kompleksowe dla ekonometrii, symulacji i analizy scenariuszy warunkowych.
2. Bogaty ekosystem dodatków o mieszanej częstotliwości i bayesowskich VAR.
3. Mocne oprzyrządowanie do automatyzacji, odtwarzalności i wizualizacji.

Minusy:

1. Koszty licencji sumują się dzięki wielu zestawom narzędzi.
2. Funkcje o mieszanej częstotliwości często opierają się na dodatkach lub kodzie społeczności.
3. Bardziej stroma krzywa uczenia się niż pakiety wskaż i kliknij.

4) Ekonometria SAS (SAS/ETS)

SAS/ETS oferuje przemysłowe szeregi czasowe i procedury ekonometryczne, w tym warianty stanowo-przestrzenne, UCM, ARIMA/ARIMAX, VAR/MAX i bayesowskie. Dokumentacja zawiera opracowane przykłady prognoz warunkowych i analizy scenariuszy za pomocą VARMAX, dzięki czemu nadaje się do testów warunków skrajnych i testów warunków skrajnych. W dużych organizacjach ścieżki zarządzania, harmonogramowania i audytu SAS pomagają przenieść prognozy z prototypu do produkcji (prognozy warunkowe i scenariusze w VARMAX, przykład).

Plusy:

1. Wbudowane prognozy warunkowe i przepływy pracy scenariuszy dla VAR/MAX.
2. Wdrażanie klasy korporacyjnej, rejestrowanie i zarządzanie.
3. Szeroka biblioteka modeli klasycznych i stanowo-przestrzennych z egzogennymi sterownikami.

Minusy:

1. Wysoki całkowity koszt posiadania.
2. Mniej elastyczny dla najnowocześniejszych ML w porównaniu z ekosystemami Python/R.
3. Doświadczenie GUI wydaje się przestarzałe w stosunku do nowszych platform.

5) OXMetrics (PCGive+autometria)

OxMetrics z PCGive koncentruje się na ekonometrycznie zdyscyplinowanym modelowaniu. Autometrics wdraża podejście ogólne do specyficznego do zautomatyzowanego wyboru zmiennych i opóźnień, pomagając przemierzać ogromne przestrzenie modelowe, zachowując rygor diagnostyczny, mocną odpowiedź na to, które zmienne powinny znaleźć się w pytaniu modelu. PCGive obejmuje systemy jedno- i wielu równań, VAR, kointegrację i nie tylko, umożliwiając ocenę wielu struktur, a następnie łączenie lub porównywanie wyników w celu ustabilizowania dokładności (PCGive ręczna informacja o integracji z autometryką, Zasady autometrii).

Plusy:

1. Uprzemysłowiony automatyczny wybór zmiennych za pomocą autometrics/GETS.
2. Mocna diagnostyka pod kątem błędnej specyfikacji, stabilności i wartości odstających.
3. Nadaje się do budowania modeli możliwych do obrony, które analitycy mogą wyjaśnić.

Minusy:

1. Mniej gotowych opcji i zestawów ML.
2. Obsługa częstotliwości mieszanych opiera się raczej na przepływach pracy niż na dedykowanych modułach.
3. Mniejszy ekosystem rozszerzeń innych firm niż MATLAB/R.

6) Dynare

Dynare to wiodące środowisko open source do modelowania DSGE i makroekonometrii bayesowskiej. Wspiera prognozowanie warunkowe i analizę scenariuszy poprzez ograniczanie ścieżek wybranych zmiennych lub wstrząsów, co jest idealne do symulacji polityki i ćwiczeń wytycznych w przyszłości. Ekonomiści mogą zintegrować elementy DSGE i BVAR, aby porównać prognozy zgodne z teorią z alternatywami opartymi na danych, a nawet łączyć je, aby ustabilizować dokładność (Podręcznik Dynare: prognozowanie).

Plusy:

1. Najnowocześniejsze obiegi pracy DSGE i bayesowskie dla scenariuszy klasy polityki.
2. Open source, z dużą bazą użytkowników akademickich i centralnych.
3. Elastyczny dla ograniczonych ścieżek i symulacji wielu wstrząsów.

Minusy:

1. Stroma krzywa uczenia się i przepływ pracy jako pierwszy kod.
2. Ograniczony interfejs użytkownika i raportowanie w porównaniu z pakietami komercyjnymi.
3. Częstotliwość mieszana obsługiwana pośrednio za pośrednictwem niestandardowych ustawień przestrzeni stanowej.

7) Stata

Stata to wszechstronny stół warsztatowy z ekonometrią z solidnym pokryciem szeregów czasowych, w tym VAR/VECM i bayesowskie VAR do prognozowania wielozmiennego. Obsługuje dynamiczne i bayesowskie przepływy pracy prognozowania i łatwo integruje się z odtwarzalnymi skryptami w celu solidnego testowania wstecznego i oceny. W przypadku analizy scenariuszy można warunkować prognozy za pomocą struktury modelu i ścieżek egzogennych oraz wykorzystać bayesowski łańcuch narzędzi do kwantyfikacji niepewności (Bayesowskie prognozowanie VAR w Stata).

Plusy:

1. Niezawodne przepływy pracy VAR/VEC i bayesowskie VAR z analizą niepewności.
2. Silne zarządzanie danymi i odtwarzalne rurociągi do plików.
3. Dobra dokumentacja i wsparcie społeczności.

Minusy:

1. Brak natywnego modułu MIDAS pod klucz do nowcastingu o mieszanej częstotliwości.
2. Mniej zautomatyzowanych narzędzi zespołowych po wyjęciu z pudełka.
3. Wizualizacja i pulpity nawigacyjne mniej nowoczesne niż wyspecjalizowane platformy.

8) Ekosystem R (midasr, vars, BVAR i więcej)

R oferuje najlepszy w swojej klasie stos open source do prognozowania ekonomicznego. The midasr pakiet implementuje MIDAS i U-MIDAS do nowcastingu o mieszanej częstotliwości, Wars dostarcza VAR/SVAR/VECM z prognozowaniem i IRF, oraz PIÓRO obsługuje bayesowskie VAR za pomocą metod analizy scenariuszy. W połączeniu z pakietami układania można budować duże siatki modeli, dokonywać wyboru zmiennego i łączyć je w modelach klasycznych i ML. Jest potężny, rozszerzalny i gotowy do produkcji dzięki odpowiedniej inżynierii (Artykuł midasr JSS, Vars CRAN instrukcja obsługi, Instrukcja BVAR CRAN).

Plusy:

1. Najwyższej klasy nowcasting o mieszanej częstotliwości z MIDAS/U-MIDAS.
2. Szeroki zasięg ekonometryczny oraz nowoczesne biblioteki ML i układania w stosy.
3. Najniższy koszt i największa rozszerzalność za pośrednictwem pakietów.

Minusy:

1. Ciężki kod, wymaga inżynierii w zakresie zarządzania i MLOP.
2. Jakość różni się w zależności od pakietów, co zwiększa koszty walidacji.
3. Żaden dostawca nie ma wsparcia, chyba że go umówisz.

Dlaczego te funkcje mają teraz znaczenie

• Wybór zmiennej, który skaluje się
  Wybór zmiennej bayesowskiej, wyszukiwanie stopniowe, karanie i badania przesiewowe oparte na czynnikach zmniejszają fałszywie dodatnie i stabilizują błąd poza próbką, gdy zestaw predyktorów kandydatów jest duży (Wskaźnik: variable choice).
• Montaż na pojedynczych modelach
  Dziesięciolecia dowodów pokazują, że kombinacje zazwyczaj przewyższają poszczególne specyfikacje w różnych warunkach, zmniejszając wariancję i ryzyko modelu (50-letnia recenzja, notatka podręcznikowa).
• Mieszana częstotliwość dla nowcastingu
  MIDAS i MF-VAR wykorzystują wszystkie terminowe sygnały codzienne lub tygodniowe bez agregacji niszczącej informacje, a ostatnie prace pokazują wzrost dokładności materiału w praktyce (Ghysels i in., Wnioski EBC, Cleveland Fed 2024).
• Analiza scenariuszy, która jest zasadnicza
  Prognozy warunkowe zgodne z frameworkiem Waggoner-Zha pozwalają narzucić miękkie lub twarde ścieżki przyszłości i generować dystrybucje do tworzenia polityki „co jeśli” (Waggoner i Zha, Scenariusze EBC dla dużych VAR).

‍