Prognoziranje u ekonomiji prati loš glas. Mogu li big data i machine learning riješiti problem

U Parizu je 30. i 31. ožujka održana konferencija Društva za nelinearnu dinamiku i ekonometriju (engl. The Society for Nonlinear and Dynamics Econometrics – SNDE). Konferencija okuplja vrhunske ekonomiste s prestižnih svjetskih institucija koji se primarno bave makroekonomskim istraživanjima.

Plenarno predavanje je držao poznati ekonomist i ekonometričar Mark Watson s Princeton University, a radovi prezentirani na konferenciji nerijetko bivaju publicirani u top 50 časopisa u ekonomiji. Imao sam priliku prezentirati svoj rad o djelotvornosti fiskalne politike u uvjetima neizvjesnosti pred ekonomistima iz brojnih zemalja.

Najveća korist od sudjelovanja na takvoj konferenciji je što se direktno vidi smjer u kojemu idu najnovija istraživanja iz područja makroekonomije. Na ukupno 36 sesija je prezentirano 128 radova od kojih su brojni u nastajanju i tek čekaju svoje finalne verzije. Drugim riječima, ova je konferencija svojevrsni izvor novih i inovativnih makroekonomskih istraživanja.

Vlastitim opažanjem istaknuo bih četiri važna trenda u makroekonomiji koja sam osobno uočio na SNDE konferenciji.

1. Nelinearni modeli imaju sve veću ulogu u teorijskim i primijenjenim istraživanjima. Linearni modeli bitno pojednostavljuju stvarnost pretpostavljajući da neka veza vrijedi u svim uvjetima. Primjerice, što imate više novaca, više ćete trošiti. Nelinearni modeli govore da u različitim režimima vrijede drugačije veze. Primjerice, što imate više novca, više ćete trošiti, ali u recesiji što imate više novca manje ćete trošiti, a više ćete štediti. Dakle, recesija je poseban režim u kojemu vrijede drugačija pravila. Na slici ispod je prikazan jedan linearan i jedan nelinearan model. Kao što se vidi na slici, linearni model ne pravi razliku između ekspanzije i recesije – potrošnja raste u oba slučaja. Nelinearni model ima dva režima – jedan važi za ekspanziju kada potrošnja raste, a drugi za recesiju kada potrošnja pada.

Slika 1: Linearni i nelinearni model

Nelinearni modeli su već duže vrijeme prisutni u primijenjenim empirijskim istraživanjima. Na konferenciji je bilo vidljivo da se nelinearni modeli sve više koriste za evaluaciju ekonomskih politika, primarno monetarne i fiskalne politike. Najčešći primjer su tzv. State Dependent modeli gdje ekonomisti razlikuju faze ekspanzije i recesije poslovnog ciklusa te promatraju koliko je efikasna ekonomska politika u ekspanziji, a koliko u recesiji. Takvi modeli su se generalno pokazali kao veliki uspjeh. Jednostavni linearni modeli ignoriraju faze poslovnog ciklusa i njihovi rezultati mogu biti pristrani.

Teorijski makroekonomski modeli (uglavnom DSGE modeli) su najčešće linearni zbog velike kompleksnosti. Međutim, na konferenciji je bio prezentiran određeni broj radova koji koristi nelinearne DSGE modele, koji su još kompleksniji. Primjer je istraživanje Bjørnland, Larsen i Maih (2016) koji istražuju ulogu cijena nafte u makroekonomskoj nestabilnosti. Takve modele karakterizira pretpostavka opće ravnoteže, veliki broj jednadžbi i veliki broj parametara. Kompleksnost takvih modela nerijetko zahtijeva upotrebu super računala kako bi se model mogao procijeniti i riješiti.

2. Strojno učenje ulazi u ekonomiju. Poznato je da ekonomija vrlo često koristi metode iz drugih disciplina, pa je tako slučaj i sa strojnim učenjem (engl. Machine Learning). Strojno učenje je metoda iz računalnih znanosti koja koristi veliki broj promatranja kako bi program mogao prepoznati određene uzorke i samostalno reagirati na njih. Metode strojnog učenja su se počele primjenjivati i u ekonomiji sudeći po nekolicini radova s konferencije koje koriste tu metodologiju. Zbog potrebe za velikim brojem podataka pri strojnom učenju, za sada se ove metode primarno koriste u području financija gdje su dostupni dnevni ili čak unutar dnevni podaci o trgovanju vrijednosnicama.
3. Iskorištava se dostupnost mnoštva podataka te se izrađuju indikatori. Velika većina radova prezentiranih na konferenciji koristi multivarijatne modele i obilje podataka. Podaci se prikupljaju iz javno dostupnih baza ili se izrađuju vlastiti pokazatelji. Općenito je prisutan tzv. Data Rich pristup koji iskorištava dostupnost mnogobrojnih podataka.

Dostupnost velikog broja podataka zahtijeva i agregiranje informacija, tako da se neka istraživanja bave izradom indikatora koji sadrže informacije iz velikog skupa podataka. Možda jedan od interesantnijih primjera je izračun jaza outputa. Jaz outputa ili jaz BDP-a je odstupanje BDP-a od njegove prirodne razine odnosno od trenda. Jaz outputa se vrlo često koristi za vođenje kontraciklične ekonomske politike.

Recimo da je BDP ispod svoje prirodne razine. Tada bi ekonomska politika mogla biti ekspanzivna i potaknuti gospodarstvo kako bi se dostigao potencijalni BDP, kao što je prikazano na slici 2. Obrnuto vrijedi kada je BDP iznad prirodnog i provodi se restriktivna ekonomska politika (Slika 2). Tradicionalno, jaz outputa se računa samo na temelju podataka o BDP-u (univarijatni pristup). Međutim, Wong i Morley (2017) pokazuju mogućnosti izračuna jaza outputa koji se temelji na preko 70 različitih varijabli. Takvi izračuni su mnogo kompleksniji od univarijatnih, ali daju bolje  informacije.

Slika 2: Jaz outputa i kontraciklična ekonomska politika

4. Prognoziranje je sve preciznije. Premda prognoziranje u ekonomiji prati loš glas, metode se sve više usavršavaju i postaju preciznije. Prognoziranje zauzima sve veći dio konferencije, te su čak četiri sesije bile posvećene isključivo prognoziranju. Općenito, mogao bih istaknuti četiri opažanja:

(1) prognoziranje sve više koristi nelinearne modele, primarno Markovljeve modele promjene stanja (engl. Markov switching). Korištenje takvih modela je i više nego opravdano. Najveći problem prilikom prognoziranja su tzv. strukturni prekidi, odnosno velike i važne promjene u ekonomiji. Tipičan primjer strukturnog prekida je globalna financijska kriza koju je bilo vrlo teško predvidjeti. Strukturni prekidi se mogu djelomično apsorbirati pri prognoziranju korištenjem Markovljevih modela promjene stanja.

(2) Za prognoziranje se sve više koriste podaci s različitim frekvencijama, primjerice kombinacija kvartalnih, mjesečnih i dnevnih podataka. Takav pristup ima brojne prednosti i postaje sve popularniji. Primjerice, ako se želi procijeniti rast BDP-a u sljedećem kvartalu, mogu se koristiti informacije iz različitih mjesečnih indikatora poput industrije, trgovine, poreznih prihoda, ali i dnevni podaci s tržišta kapitala. Nije potrebno agregirati mjesečne i dnevne podatke u kvartalne te na taj način izgubiti vrijedne informacije.

(3) Prognoziranje također iskorištava prednosti dostupnosti mnoštva podataka. Kvalitetni i pravodobni podaci mogu učiniti prognoziranje preciznijim.

Konačno, (4) mnogi izlagači na konferenciji su zaposleni u centralnim bankama diljem svijeta (od SAD-a do Novog Zelanda) i njihov je primarni interes prognoziranje BDP-a i izračun jaza outputa u stvarnom vremenu. Kvaliteta tih prognoza ima važan utjecaj na provođenje monetarne politike.

Literatura

• Bjørnland, H. C., Larsen, V. H., i Maih, J. (2016). Oil and macroeconomic (in)stability. Norges Bank Working Paper 12/2016
• Morley, J. i Wong, B. (2017) Estimating and Accounting for the Output Gap Using the Beveridge-Nelson Decomposition with Large Multivariate Models. Neobjavljena prezentacija sa skupa.