@ARTICLE{26543120_199635292_2016, 
	author = {Б. Б. Демешев and О. А. Малаховская}, 
	keywords = {, VAR, BVAR, априорное распределение Миннесотымакроэкономическое прогнозирование},
	title = {Макроэкономическое прогнозирование с помощью BVAR Литтермана},
	journal = {Экономический журнал ВШЭ},
	year = {2016},
	volume = {20},
	number = {4},
	pages = {691-710},
	url = {https://ej.hse.ru/2016-20-4/199635292.html},
	publisher = {},
	abstract = {В работе проводится сравнение прогнозных способностей моделей случайного блуждания, частотной (VAR) и байесовской векторных авторегрессий с априорным распределением Миннесоты (BVAR) по российским квартальным данным 1995-2014 гг. Максимальное количество переменных, включае­мых в модель, равно 14, что требует эндогенного подбора оптимального гиперпараметра регуляризации. Для его определения используется механизм, описанный в работах [Bańbura et al., 2010; Bloor, Matheson, 2011]. В соответствии с этим механизмом гиперпараметр регуляризации подбирается так, чтобы качество прогнозов BVAR и частотной VAR моделей совпадало при минимальной рассматриваемой размерности модели (три переменных). Для любой размерности BVAR-модели оптимальная величина гиперпараметра ре­гуляризации является робастной к рассматриваемым функциям относительной прогнозной точности.В результате показано, что на исследуемой выборке BVAR позволяет получить более точный прогноз, чем частотная VAR. Для ключевых макроиндикаторов (индекса промышленного производства, индекса потребительских цен и процентной ставки) на всех рассматриваемых прогнозных горизонтах и независимо от числа переменных в модели среднеквадратичная ошибка прогноза модели BVAR оказывается ниже, чем для частотной VAR. Кроме того, BVAR позволяет получить прогноз с большей точностью, чем модель случайного блуждания для ИПЦ и белого шума для процентной ставки. Однако предсказать индекс промышленного производства с помощью BVAR более точно, чем с помощью модели случайного блуждания, не удается.},
	annote = {В работе проводится сравнение прогнозных способностей моделей случайного блуждания, частотной (VAR) и байесовской векторных авторегрессий с априорным распределением Миннесоты (BVAR) по российским квартальным данным 1995-2014 гг. Максимальное количество переменных, включае­мых в модель, равно 14, что требует эндогенного подбора оптимального гиперпараметра регуляризации. Для его определения используется механизм, описанный в работах [Bańbura et al., 2010; Bloor, Matheson, 2011]. В соответствии с этим механизмом гиперпараметр регуляризации подбирается так, чтобы качество прогнозов BVAR и частотной VAR моделей совпадало при минимальной рассматриваемой размерности модели (три переменных). Для любой размерности BVAR-модели оптимальная величина гиперпараметра ре­гуляризации является робастной к рассматриваемым функциям относительной прогнозной точности.В результате показано, что на исследуемой выборке BVAR позволяет получить более точный прогноз, чем частотная VAR. Для ключевых макроиндикаторов (индекса промышленного производства, индекса потребительских цен и процентной ставки) на всех рассматриваемых прогнозных горизонтах и независимо от числа переменных в модели среднеквадратичная ошибка прогноза модели BVAR оказывается ниже, чем для частотной VAR. Кроме того, BVAR позволяет получить прогноз с большей точностью, чем модель случайного блуждания для ИПЦ и белого шума для процентной ставки. Однако предсказать индекс промышленного производства с помощью BVAR более точно, чем с помощью модели случайного блуждания, не удается.}
}