Сравнение моделей прогнозирования роста под риском

Аннотация

В последние десятилетия важность оценки риска роста ВВП чрезвычайно возросла. Финансовый кризис 2008–2009 гг. и глобальный локдаун, вызванный пандемией COVID-19, показали уязвимость современной экономики. В результате была разработана новая концепция роста под риском (Growth-at-Risk), которая позволяет оценить размер потенциального снижения будущего роста ВВП. Однако большинство исследований по этому вопросу фокусируется на качестве моделей квантильной регрессии. Я применяю различные подходы к прогнозированию роста под риском, включая квантильную регрессию, квантильные случайные леса и обобщенные авторегрессионные модели условной гетероскедастичности (GARCH), используя для анализа данные экономики США. Я прихожу к выводу, что GARCH-модели хуже работают при уровнях покрытия 5 и 10%, а квантильные случайные леса и квантильные регрессии, по-видимому, имеют равные прогностические способности.