Building composite leading indexes in a dynamic factor model framework: a new proposal
Massimiliano Serati, Gianni Amisano
(1.608 Kb)Sommario
Uno degli aspetti più problematici dell’attività dei responsabili di politica economica e degli operatori di mercato è quello di disporre di strumenti previsivi che coniughino due caratteristiche apparentemente incompatibili: facilità di utilizzo e completezza delle informazioni su cui si basano le previsioni. La letteratura econometrica fornisce risposte distinte a queste esigenze: i Modelli a Fattori Dinamici (MFD) sfruttano ottimamente le informazioni provenienti da grandi basi di dati; gli indicatori anticipatori compositi rappresentano uno strumento immediato e flessibile per anticipare l’evoluzione futura di un fenomeno. Curiosamente la letteratura recente sui MFD ha ignorato la costruzione di indicatori anticipatori o ha fatto scelte non soddisfacenti circa i criteri per aggregare le componenti dell’indice e l’identificazione dei fattori che lo alimentano. Questo lavoro riempie tale vuoto e propone una procedura multistadio per costruire indicatori anticipatori compositi in un contesto MFD. Una volta selezionata la variabile obiettivo e stimato un MFD basato su un ampia base dati correlata all’obiettivo, identifichiamo gli shock ai fattori comuni per mezzo di restrizioni di segno sui moltiplicatori di impatto e simuliamo la forma strutturale del modello. I coefficienti relativi alla scomposizione della varianza dell’errore di previsione lungo un orizzonte di simulazione costituito da k periodi definiscono k insiemi di pesi per aggregare i fattori (con pesi variabili a seconda dell’orizzonte di anticipazione considerato) al fine di ottenere indicatori anticipatori compositi. Questa procedura è impiegata per un esercizio empirico fortemente preliminare finalizzato a prevedere i prezzi del petrolio. I risultati sembrano essere incoraggianti e supportare la validità della nostra proposta: si genera un ampia gamma di indicatori anticipatori specifici per ogni orizzonte con apprezzabili proprietà previsive.
Abstract
One of the most problematic aspects in the work of policy makers and practitioners is having efficient forecasting tools combining two seemingly incompatible features: ease of use and completeness of the information set underlying the forecasts. Econometric literature provides different answers to these needs: Dynamic Factor Models (DFMs) optimally exploit the information coming from large datasets; composite leading indexes represent an immediate and flexible tool to anticipate the future evolution of a phenomenon. Curiously, the recent DFM literature has either ignored the construction of leading indexes or has made unsatisfactory choices as regards the criteria for aggregating the index components and the identification of factors that feed the index. This paper fills the gap and proposes a multi-step procedure for building composite leading indexes within a DFM framework. Once selected the target economic variable and estimated a DFM based on a large target-oriented dataset, we identify the common factor shocks through sign restrictions on the impact multipliers and simulate the structural form of the model. The Forecast Error Variance Decompositions obtained over a k steps-ahead simulation horizon define k sets of weights for aggregating factors (in a different way depending on the leading horizon) in order to get composite leading indexes. This procedure is used for a very preliminar empirical exercise aimed at forecasting crude nominal oil prices. The results seem to be encouraging and support the validity of the proposal: we generate a wide range of horizon-specific leading indexes with appreciable forecasting performances.