理解不确定性冲击和黑天鹅的作用（英）

财经系列的讨论 美国联邦储备委员会，华盛顿特区ISSN1936-2854（印刷） ISSN2767-3898(在线) 了解不确定性冲击和黑天鹅的作用 安娜奥林克和劳拉Veldkamp2022- 083 请引用这篇文章: 奥利克、安娜和劳拉·维尔德坎普（2022）。“了解不确定性冲击和黑天鹅的作用”，财经讨论系列2022-083。华盛顿：联邦储备系统理事会，https://doi.org/10.17016/FEDS.2022.083。 注：财经讨论系列（FEDS）中的工作人员工作文件是分发的初步材料，旨在激发讨论和批评意见。所阐述的分析和结论是作者的分析和结论，并不表示研究人员或理事会的其他成员同意。出版物中对财经讨论系列的引用（致谢除外）应与作者澄清，以保护这些论文的暂定性。 理解不确定性的冲击和的作用黑色的天鹅 安娜奥林克和劳拉Veldkamp12022年11月26日 1请将评论发送给anna.a.orlik@frb.gov和lv2405@columbia.edu。我们感谢NBEREF&G会议，沃顿商学院，耶鲁SOM，法兰西银行，HEC，英格兰银行，图卢兹经济学院，魁北克大学蒙特利尔分校，达拉斯联邦储备银行宏观经济不确定性会议，NBER暑期研究所预测小组，纽约大学校友会议，计量经济学会北美和欧洲会议，AEA会议，贝克尔-弗里德曼研究所政策不确定性研讨会、SED会议、NBER大学重搜索风险和不确定性宏观经济后果会议、巴塞罗那GSE夏季论坛、CEF会议、伦敦大学学院不确定性和经济预测研讨会、波士顿联邦储备银行、纽约大学宏观午餐，以及尼克·布鲁姆、艾蒂安·加农、米歇尔·伦扎 、伊格纳西奥·普雷斯诺、托马斯·萨金特、马修·史密斯，TomStark，我们的EF&G讨论者JenniferLa'O，我们的NBER大学研究会议讨论者RudiBachmann，我们的AEA讨论者LarsHansen和我们的PSE-SCOR年会讨论者LaurentFerrara。非常感谢EdwardAtkinson，IsaacBaley，DavidJohnson，CallumJones，NicKozeniauskas，PauRoldan，JakeScott和EthanRahman的杰出研究协助。我们感谢斯特恩全球经济和商业中心的赠款援助。本文表达的观点是作者的观点，并不一定反映美联储理事会或联邦储备系统的立场。 摘要 经济不确定性是现代经济中的强大力量。研究表明，不确定性的激增会引发商业周期、银行挤兑和资产价格波动。但是，不确定性的突然激增从何而来？本文提供了一种数据学科的信念形成理论，解释了不确定性的巨动。它认为人们不知道宏观经济结果的真实分布。像贝叶斯计量经济学家一样，他们估计分布。我们的主要贡献是解释为什么实时估计具有非正态尾的分布容易出现较大的不确定性波动。我们使用理论和数据来展示估计偏度的微小变化如何围绕未观察到的尾部事件（黑天鹅）的概率产生影响。我们的研究人员根据实时GDP数据显示，对黑天鹅风险估计的修正解释了不确定性的大部分波动。 经济不确定性是现代经济中的强大力量。最近的研究表明，不确定性的激增会引发商业周期、银行挤兑和资产价格波动.1但不确定性冲击的典型建模方式是，有一天，每个主体突然知道未来的结果将比过去更难预测（即，不可避免的冲击被建模为对某些基本面冲击的第二个时刻的冲击， 例如生产力）。这些神秘的信念冲击不受数据的约束，使得理论难以检验。 本文提供了一种数据纪律的信念形成理论，解释了不确定性的巨动。它始于这样一个前提 ，即人们不知道经济结果的真实分布是什么，何时变化，或变化多少。他们观察经济信息，并以这些信息为条件，估计替代结果的概率。他们的不确定性很大程度上来自于不知道他们的估计是否正确。由于经常观察到日常事件，因此它们的概率很容易学习。在短时间内，新数据不会显着改变这些估计。相比之下，很少观察到分布的尾部;所以它们的大小和形状很难评估。当人们使用观测数据来推断未观测到的尾部事件的概率时，新数据可以“摇尾”分布：它会导致尾部概率的大幅修订。由于方差是预期与均值的平方距离，因此远离均值的事件概率的变化对条件方差产生了巨大的影响，从而产生了不确定性。因此，数据序列中的日常波动可能会对不断重新估计分布尾部的代理产生较大的条件方差波动。 我们使用实时数据来测量不确定性（条件标准差） 源于不知道真正的模型，模型的不确定性。然后，我们使用数据和概率论结果的组合来解释为什么不确定性变化如此之大。这些结果表明，正是参数不确定性和尾部风险的结合使得不确定性比单独的随机波动率更具可变性和反周期性。我们了解到为什么对不确定性波动的最大贡献不是来自数据方差的变化，而是来自未观察到的不良尾部事件——黑天鹅的时变风险。 为了探索不确定性，我们使用具有两个关键特征的预测模型：首先，外部 1参见，例如，Bloom，Floetotto，Jaimovich，Sapora-Eksten，andTerry（2012），Fajgelbaum，Schaal，andTaschereau-Dumouchel（2014），或Bacchetta，Tille ，andvanWincoop（2012）。 COME不是有条件的正态分布，其次，代理使用实时数据来重新估计控制分布较高矩的参数，例如偏度。对于每个季度，我们使用当时可用的美国（实际）GDP增长数据来估计预测模型，更新预测并计算不确定性。我们将宏观经济不确定性定义为下一周期的标准差 国内生产总值增长yt+1，以随时间观察到的所有信息为条件t:性病[yt+|我t]。我们使用此定义是因为在大多数模型中，这是理论上相关的时刻： 存在等待选项值，条件方差较高（预期预测误差较大）的预测将提高等待观察附加信息的值。为了研究不确定性如何变化以及为什么变化，我们将GDP数据输入我们的预测模型并计算这个标准差。 这个概念上简单的衡量工作做出了三个贡献。（1）它提供了一个统一的框架，以探索不确定性冲击、新闻冲击（对未来结果预测的变化）和灾害风险的起源和联系。这些文献是分开演变的，并且都受到批评，即正确的信念可以使几乎任何经济结果合理化。允许所有三种冲击都来自观察到的宏观结果，为基于信息的统一宏观理论和一种约束信念冲击的方法提供了前景。（2）结果告诉我们，当智能体不知道冲击的分布时，重新估计信念可以放大变化。参数学习是否会放大冲击并不明显。由于关键宏数据的发布频率较低，并且具有高度持久性，因此参数学习是一个缓慢的渐进过程。因此，人们可能会认为学习会使不确定性冲击比波动性的变化更平滑。相反，我们发现情况正好相反。这一发现补充了依靠对不确定性的巨大反周期冲击来产生有趣的经济和金融影响的模型。（3）结果与观测到的预测数据一致，特别是与专业预测者调查（SPF）对GDP增长预测中观察到的令人费解的系统预测偏差一致.2我们的理论结果使用测量变化论证来证明参数的组合 2值得注意的是，仅根据实时GDP增长数据（和/或“信号”之外，“信号”，旨在总结专业预测者用来形成预测的所有其他信息）重新估计GDP增长的简单偏斜预测模型与平均SPF预测的拟合程度如何，因此，预测偏差，平均预测随时间的变化，和平均预测误差。 不确定性和偏度会产生这种偏见。当估计模型与GDP增长数据中观察到的偏度匹配时，它也与预测偏差的大小相匹配。这一发现解决了预测文献中的一个难题。它还会产生类似于模棱两可的代理可能报告的信念。但是，同样重要的是，这一证据表明，该模型准确地描述了人们如何形成信念。 使用数据和简单的模型来推断信念是我们方法的关键优势。我们的目标不是以最复杂的方式衡量不确定性。相反，我们使用一个简单的框架来描述一个由数据支持的理论机制来解释为什么不确定性、信念和尾部风险各不相同.3该机制的关键假设是，智能体使用日常事件来修改他们对整个状态空间概率的信念。这就是允许数据的微小变化引发黑天鹅概率的巨大变化和不确定性的巨动的原因。正常时期的数据会改变我们评估尾部风险的方式 ，这种想法可能会让人难以置信。但是有大量证据表明，对尾部风险的看法每天都会有所不同.4如果我们认为尾部风险在没有极端事件发生的时候会波动，那么要么信念是随机和非理性的，要么是代理用来更新其信念的日常数据中的一些信息.5 在第2节中，我们构建了预测模型。使用测量变化技术，我们 修改一类标准模型，其中GDP增长被假定为有条件的正差分布（无论是同方差创新还是异方差创新），增加指数扭曲，参数调节结果的条件偏度。每个时期t，我们的预测器使用当时看到的GDP数据的历史t和贝叶斯定律来估计她的模型并预测GDP增长t+1.最初，我们将创新的波动性固定下来，以便我们可以隔离来自参数学习的不确定性变化。 即使预测者确定创新的方差是恒定的，我们 3尽管如此，我们的简单框架提供了不确定性度量，该度量与文献中记录的复杂的最先进的不确定性度量（可能由数百个次序列构建）相关并协同，例如Jurado ，Ludvigson和Ng（2015）。 4参见KellyandJiang（2014）基于公司层面资产价格的证据，或参见GaoandSong（2018）基于指数期权的证据。 5当然，提供尾部结果信息的日常数据可能不是GDP数据。但同样的原则也适用于其他系列。人们可以应用相同的框架，并从其他一些序列中估计尾部风险，以放大其对不确定性的影响。 发现预测条件方差的巨大变化-大不确定性冲击。第3节讨论了这些不确定性大幅波动的来源。特别是，我们询问这些波动中有多少来自偏度，有多少来自参数更新，有多少来自它们的相互作用。为了梳理这个问题，我们逐个关闭参数学习和偏度。我们发现，仅偏度就只产生了条件方差变化的一小部分。仅参数学习就占我们结果的三分之一左右。条件方差的大部分变化来自偏度和参数更新的相互作用。 我们的研究结果表明，不确定性波动的主要来源是我们所说的“黑天鹅风险”，即罕见事件的条件概率，在这种情况下是极低的增长实现。当预测模型暗示结果呈正态分布时，n标准差事件的概率是恒定的。但是，当我们允许预测者估计非正态模型时，负异常值的概率可能会波动。一条新数据可能导致预测者估计更多的负偏度，这使得极端负面结果更有可能出现并增加不确定性。当我们把这个模型应用于GDP数据时，我们发现60%到80%（取决于“极端”的定义）的不确定性变化可以用黑天鹅估计概率的变化来解释。 第5节将我们基于模型的不确定性序列置于常用的上下文中 不确定性代理。特别是，我们推导出需要对信息结构施加的明确条件，以便均方误差（MSE）或预测差异等同于不确定性。我们还记录了Baker，Bloom，andDavis（2015）政策不确定性指数、波动率期权价格（VIX）和Jurado，Ludvigson，andNg（2015）宏观不确定性指数的属性。 我们要传达的信息是，要理解经济不确定性的根源，就需要重新放宽理性预期假说的全部信息假设。在这样一个全信息的世界里，主体被假定知道经济结果的真实分布是什么。他们唯一的不确定性是从已知的分布中得出什么实现。为了衡量这种预测者的不确定性，根据尽可能多的数据估计模型，采用给定的参数，并估计模型创新的标准差是有意义的。这就是随机波动率的估计 通常是（BornandPfeifer，2012）。但是，实际上，宏观经济并非由一个简单的已知模型支配，我们当然不知道其参数。相反，我们来自专业预测者调查（SPF）的预测数据表明 ，预测者估计简单的模型以近似复杂的过程，并不断使用新数据来更新他们的信念。预测者并非不理性。他们根本不知道经济真正的数据生成过程。在这种情况下，不确定性和波动性的表现可能非常不同。我们的发现告诉我们，了解经济结果的分布本身可能产生波动 。 相关文献越来越多的文献使用不确定性冲击作为驱动过程来解释商业周期（例如，Bloom，Floetotto，Jaimovich，Sapora-Eksten和Terry（2012），Basu和Bundick（2017），Christiano，Mot