Ekonometryczna analiza niepewności i ryzyka w empirycznej makroekonomii i finansach: metody predykcji probabilistycznej z dynamicznym łączeniem prognoz

Projekt koncentruje się na wypracowaniu nowych metod prognozowania probabilistycznego z zastosowaniami w ekonometrii i finansach. Nowe metody opisu niepewności wykorzystujące dynamiczne łączenie prognoz odwołują się do idei mówiącej iż w danym momencie może nie być jasne który model ma najlepsze własności prognostyczne.

Dodatkowo, może to się zmienić wraz ze zmianą np. warunków gospodarczych. Taka koncepcja ma ważne konsekwencje dla analiz niepewności prognozy. Jednakże, wszelkie nowoczesne zastosowania metod statystycznych mających na celu analizę niepewności co do kształtowania się przyszłych wielkości ekonomicznych są technicznie zaawansowane i wymagające pod względem mocy obliczeniowej. Projekt skupia się na problemie opracowania optymalnej metodologii (udostępnionej praktykom) która może być stosowana w prognozowaniu makroekonomicznym (skupiającym się na opisie niepewności predykcji) oraz w analizach ryzyka prowadzonych zarówno w makroekonomii jak i finansach. Lepszy opis niepewności prognoz makroekonomicznych jest ważny z punktu widzenia osób prowadzących politykę ekonomiczną a także może przyczynić się do lepszego rozumienia roli niepewności w analizach gospodarczych. Może to także przyczynić się do powstania lepszych metod prognozowania zmian koniunktury gospodarczej. Ponadto ulepszone metody oceny ryzyka są ważne w analizach stabilności finansowej–mogą przyczynić się także do wypracowania procedur i regulacji prawnych przyczyniających się do stabilności systemu bankowego i całości systemu finansowego. Waga tego typu zagadnień wzrasta wraz z zacieśnianiem się międzynarodowych powiązań o charakterze gospodarczym. Praktyczne znaczenie tych zagadnień jest bardzo znaczne (szczególnie mając na uwadze ostatni kryzys finansowy).

Wyzwanie, przed którym staliśmy

Przewidywanie ryzyka w ekonomii i finansach – takiego jak krachy giełdowe, recesje wymaga zaawansowanych modeli, które potrafią uchwycić złożoną, nieprzewidywalną naturę rynków finansowych i gospodarki, a szoki płynące z zewnątrz. Tradycyjne podejścia stoją przed kluczowym dylematem: albo używać prostych modeli, gdzie obliczenia realizowane są szybko, ale być może pomijają ważne aspekty, albo stosować bardziej realistyczne modele, które są tak kosztowne obliczeniowo, że stają się niepraktyczne w rzeczywistym świecie. Dzięki usunięciu czy osłabieniu bariery obliczeniowej możliwe będzie stosowanie bardziej zaawansowanych modeli – które, potencjalnie, powinny dawać lepsze wyniki oceny ryzyka

Nasze rozwiązanie

Opracowaliśmy rewolucyjne podejście oparte na „podwójnej paralelizacji” – tzn zrównolegleniu, które dramatycznie przyspiesza obliczenia wymagane dla prognoz ekonomicznych czy finansowych, zachowując jednocześnie pełną dokładność wnioskowania. Dzięki temu będzie można poszerzyć zakres poszukiwania adekwatnych modeli dla opisu niepewności. Intuicyjnie, znajdujemy rozwiązanie 500 skomplikowanych zagadek jednocześnie w czasie, który wcześniej wystarczał na jedną. Nasza metoda łączy dwie potężne idee:

1. Paralelizacja Maszynowa: Jak posiadanie wielu pracowników, którzy jednocześnie zajmują się różnymi częściami tego samego problemu.
2. Paralelizacja Koncepcyjna: Sprytne ponowne wykorzystanie obliczeń w powiązanych zadaniach predykcyjnych

Innowacja techniczna

Sercem naszego podejścia jest ponowny powrót do klasy algorytmów które straciły popularność (tzw. próbników z niezależnym rozkładem proponującym) – klasy algorytmów które okazują się wyjątkowo odpowiednie do obliczeń równoległych. Ulepszyliśmy je inteligentnymi narzędziami diagnostycznymi, które automatycznie dostosowują wydajność metody, oraz elastycznymi rozkładami statystycznymi, które lepiej oddają asymetryczne ryzyka typowe dla danych finansowych czy ekonomicznych.

Wydajność w świecie rzeczywistym

Aby zademonstrować siłę naszej metody, podjęliśmy jedno z najbardziej wymagających zadań predykcyjnych: prognozowanie dziennych zwrotów z indeksu S&P 500 w czasie pandemii COVID-19 – okresu ekstremalnej zmienności rynkowej. Najczęściej, aby wybrać odpowiedni model, badamy jak zachowywały się jego prognozy w przeszłości – niestety, odtworzenie takiego schematu wymaga bardzo uciążliwego powtarzania względnie podobnych obliczeń. Dzięki zastosowaniu innowacji sekwencję 870 kolejnych prognoz (w ujęciu probabilistycznym), na podstawie 45 tysięcy symulacji dla każdej prognozy, otrzymujemy w czasie krótszym niż 5 minut. Dzięki temu będziemy mogli znajdować i stosować bardziej zaawansowane modele – porównywanie różnych podejść może być przeprowadzone we względnie krótkim czasie

Dlaczego to ma znaczenie

To rozwiązanie ma natychmiastowe praktyczne implikacje dla:

• Zarządzania Ryzykiem Finansowym: Banki i firmy inwestycyjne mogą teraz przeprowadzać w podobnym czasie zweryfikować przewidywania bardziej skomplikowanych modeli
• Przewidywania Rynkowego: Traderzy i analitycy mogą szybko testować wiele zaawansowanych modeli, poprawiając swoją zdolność do nawigowania niepewności rynkowej.
• Zgodności z Przepisami dotyczącymi stabilności finansowej: instytucje finansowe mogą wydajniej i dokładniej przeprowadzać złożone badania wymagane przez regulatorów.
• Polityki Gospodarczej: Banki centralne i decydenci mogą lepiej rozumieć potencjalne scenariusze ekonomiczne i związaną z nimi niepewność przy podejmowaniu kluczowych decyzji.

Szerszy wpływ

Co najważniejsze, nasza praca usuwa znaczącą barierę obliczeniową, która ograniczała praktyczne wykorzystanie zaawansowanych modeli predykcyjnych. Uczynienie dokładnych prognoz uwzględniających niepewność obliczeniowo wykonalnymi umożliwia bardziej świadome podejmowanie decyzji w środowiskach wysokiego ryzyka, gdzie koszty błędnych prognoz mogą być ogromne.

Ponadto zaprojektowaliśmy nasz system z myślą o otwartości, dostarczając kompletny kod i wskazówki architektoniczne, aby ułatwić adopcję przez innych badaczy i praktyków. To nie tylko postęp techniczny, ale fundament dla następnej generacji inteligentnych, szybkich i dokładnych systemów predykcyjnych.

Patrząc w przyszłość

Ta praca otwiera drzwi do systemów wyboru modeli wspomaganych przez AI, które mogłyby automatycznie identyfikować najlepsze podejścia predykcyjne dla różnych warunków rynkowych, oraz systemów monitorowania ryzyka w czasie rzeczywistym, które mogłyby dostarczać wczesnych ostrzeżeń o rozwijającej się niestabilności finansowej. W erze rosnącej zmienności i złożoności gospodarczej takie narzędzia nie są tylko wygodne – są niezbędne do utrzymania stabilności finansowej i podejmowania rozsądnych decyzji inwestycyjnych.

Badania te zostały wsparte przez Narodowe Centrum Nauki w Polsce i reprezentują wspólny wysiłek na rzecz mostu między teorią statystyczną a praktycznymi zastosowaniami finansowymi. Pełna metodologia i kod są dostępne, aby zapewnić odtwarzalność i zachęcić do dalszego rozwoju przez społeczność badawczą.