平均通胀目标制：在多大程度上审视过去和未来？

弗朗蒂谢克马塞克，扬泽米尔卡 工作论文系列 平均通胀目标：过去和未来应看多远？ No2955 免责声明：本报告不应被视为代表欧洲中央银行（ECB）的观点。所表达的观点是作者的个人观点，并不一定反映ECB的观点。 摘要 我们分析了在行为THANK模型中平均通胀目标规则下的最佳窗口长度。央行面临着偶尔的约束性有效下限（ELB）或持续的供给冲击，并且还可以使用量化宽松 。我们表明，在传统程度的短视情况下，最佳平均期是无限长的。对于更高的认知折现，有限但持续时间长的窗口占主导地位；即，组成属性被证明对偏离理性预期具有定性抵抗力。我们指出，最佳窗口可能取决于返回目标路径的速度。我们既在局部又在全局上解决了模型，以解开ELB引起的不确定性的影响。在历史依赖性的程度上，解决方案技术之间的福利损失差异显著降低。 关键词：货币政策，平均通货膨胀目标制，异质代理人，行为宏观经济学 JEL分类：E31E32E52E58E71 非技术摘要 2020年8月，美国联邦储备系统在货币政策策略上变化引起了人们对平均通胀目标 （AIT）规则广泛关注（参见联邦储备系统2020）。货币政策策略改变长期研究响应低自然利率环境和有效下限（ELB）情况下货币政策规则结果。尽管价格水平目标（PLT）在早期研究得最多，但后来AIT受到了更多审查，因为它许多人视为通货膨胀目标（IT）和PLT之间中间地带。 美联储新框架一个引人注目特征缺乏一个具体规定平均通胀窗口长度。在本文中，我们分析了在一个在货币政策方面表现现实模型中，改变历史依赖程度对福利影响。此外，我们还分析了平均通胀回到目标路径速度对影响。虽然窗口长度已在其他文章中进行了研究（参见Budianto等人2023安野等人2020Coulter等2022据我们所知，我们最先研究平均窗口和返回目标速度相互作用研究团队。 我们分析利用了一个新凯恩斯模型，该模型解决了标准理性代理新凯恩斯（RANK ）模型中两个问题。我们使用了家庭可处理异质性方法。Bilbiie2024）以及认知折现加巴伊克斯 2020因此，我们模型可以在保持现代货币政策冲击放大与异质代理人新凯恩斯（HANK）文献得出发现一致同时，解决前瞻性指导谜团。在未来和当前 货币政策方面，模型表现现实。解决前瞻性指导谜团对于我们分析有效性至关重要。 考虑到自然利率冲击和政策利率下限，如果仅施加适度认知折现，则最佳平均期限无限长（PLT最佳）。为了减轻有效下限（ELB）情况，我们通过许中央银行在经济达到下限时使用量化宽松（QE）来扩展基准分析。量化宽松并不改变核心结果。 尽管如此，我们发现在预期形成中包含过去通货膨胀结果时，得到了相同结果，而且偏离了理性预期均衡状态更加明显。 考虑到以下证据：Coibionetal2023美国家庭对美联储关于通货膨胀目标路径 （AIT）公告误解，我们研究了更强认知贴现影响。我们证明，在预期形成中短视程度仅从定量上改变了通货膨胀目标路径（AIT）与通货膨胀目标（IT）之间福利比较。更高短视程度会减弱AIT相对于IT优势。然而，我们表明，只要央行不试图过于迅速地缩小平均通胀与目标路径之间差距，IT并不会产生比AIT更低福利损失。AIT与IT之间福利损失差显著减少，但AIT仍然具有优势。 我们结果与Budianto等人2023在认知折扣程度较高情境下，较短窗口长度更靠近信息技术（IT）时，福利优势更为明显。这种差源于货币政策规则不同 。在Budianto等人2023，央行在最优自由裁量权下进行货币政策操作。我们采用反馈规则，并将响应参数校准到平均通货膨胀，以便央行有更多时间回归目标路径 。相比之下，在Budianto等人2023中央银行在考虑了最优决策设定后，立选择与目标路径一致通货膨胀率。相比之下，Budianto等人2023我们强调在分析化妆规则时，假设目标路径返回速度重要性。 为将因存在有效下限（ELB）而产生向下通胀偏见分离出来，我们分别在局部和全局上求解模型。局部解与全局解之间差解释了未来触及ELB不确定性影响。不同解决方案之间福利损失差在历史依赖程度上显著减小：AIT有助于减轻向下通胀偏见。然而，随着外生风险更多地贴现，这种差开始消失，当更强认知贴现开始生效时。 1引言 近年来观察到自然利率下降，将注意力转向了可能更适合存在政策利率有效下限（ELB）世界替代货币政策规则。这些规则称为“补偿性规则”，例如价格水平目标 （PLT）和平均通胀目标（AIT）。12AIT甚至已成为美国联邦储备委员会新货币 政策策略（见美联储20203 随着美联储进入新货币政策审查阶段，我们旨在阐明两个尚未得到充分解决AIT关键组成部分。首先，我们研究了AIT最优窗口长度。美联储并未提供任何明确期限，表明其打算在此期间平均通货膨胀。利用一个具有有限理性扩展和家庭方面 质性新凯恩斯模型，我们表明，只要理性预期偏差不显著，福利最优平均期限无限（相当于PLT）。4有趣，使我们进一步偏离理性预期（更强 认知折扣），加巴伊克斯2020最佳窗口长度仍然持续较久，且更接近于PLT而非IT。我们表明，补妆规则可能相对抵抗于对理性预期形成偏离。PLT和AIT相对于IT优势有所缩小，但并未完全消失，使在严重近视程度下。在这方面，我们 结果与最近对AIT分析存在差。Budianto等人2023证明更强认知折现会导致更短最优窗口长度。 化妆规则第二个特征我们研究目标路径回归速度影响。我们提供对回归速度与目标路径之间差解释。Bu 1 关于ELB相关文献，我们指出：克鲁格曼1998EggertsonandWoodford 2003斯文森2001本伯南克2000亚当和比莉20062007和Nakov2008以及更多近期MertensandWilliams2019和斯文森2020 2 近期关于自然利率方向激烈争论已经出现（参见）。Schnabel2024一些观点指出了可能增加情形，这将缓解ELB问题程度（见）。Benignoetal2024然而，许多人仍然怀疑低利率 时期已经超越了我们，这意味着有效下限（ELB）仍然相关（见Obstfeld2023BckerPeral等人2024 3 Clarida2020澄清了新框架广泛方面。 4 首先，该模型通过质性主体存在产生间接一般均衡效应，实现了对当代货币政策改变放大 。Bilbiie2024其次，它可以排除由于认知折现导致前瞻性指导谜题。加巴伊克斯2020，当前变量对实际利率预期路径过度敏感。 dianto等人2023（）以及我们基于货币政策反应差结果。虽然Budianto等人2023许央行在最优自主决策下运作，我们采用标准反馈规则。泰勒1993我们强调，这种差对平均通胀率回归目标路径速度有深远影响。在最优决策下，回归 视为时发生，而泰勒规则通过改变弹性参数值来许其变体。我们表明，我们 结果与以下内容一致：Budianto等人2023仅在泰勒规则参数不切实际高值下；仅在中央银行希望极快地弥合平均通胀与其目标路径之间差距时。据我们所知 ，我们首次讨论平均期限与回归目标路径速度之间相互作用。 此外，我们排除了在认知折现强烈且央行希望快速将平均通胀推至目标路径时预期渠道恶化解释。有人可能会认为这会引发政策利率更强烈反应（因为由于更严重短视，实际利率没有充分移动），从而导致产出和通胀更高方差。然而，我们记录了这种直观解释并不符合我们结果，也不符合其他研究结果。Budianto等人2023在强烈认知折价和快速回报速度下，并非主要由于表现较差美容规则，而更短窗口长度接近信息技术（IT）能以更优越方式表现。信息技术优越性原因 ，拥有非常迅速政策率反应（泰勒规则系数高值）IT在低利率环境（ELB）下表现出强烈短视效应，运作效率极高。 我们结果显示，在预期通胀偏差较大时，化妆规则可能一项理想政策工具，便代理商预期形成方式与理性预期偏离。我们也强调，如果央行实施持续AITarget（AI目标）或PLTarget（PL目标），返回速度并不实质性地影响福利。然而，我们认为需要对化妆规则特征进行更多深入分析，因为截至目前，讨论主要集中在中期平均值长短，而不返回目标路径速度。我们还展示了，对于通胀在IT（通胀目标）偏离，采取更强烈反应可能提供另一种处理ELB（预期利率下限）方法，而无需必然转向化妆规则。 此外，除了我们主要结果之外，我们进行了各种扩展研究。我们表明， 主要结果在我们在预期形成中包含一个面向过去成分，或者在当经济达到充分就业水平（ELB）时许中央行也使用非常规货币政策（QE），时保持不变。所有基准模型基本改动都没有在定性方式上改变核心结果。 作为额外结果，我们量化了所谓通缩（或通货膨胀下降）偏差幅度，这在ELB文献中发挥了重要作用（参见 Eggertsson2006PenalverandSiena2024为了分离由于存在ELB（有效最低利率）而产生偏差，我们同时在本地和全局范围内求解模型。两种解之间差解释了未来触及ELB不确定性影响。解决方案技术之间福利损失差在历史依赖程度上显著降低。换句话说，AIT（自适应通胀目标）有助于缓解向下通胀偏差。然而，随着不确定性折扣增加，这种差开始消失。 相关文献。在NK框架内对人工智能技术（AIT）先导性分析可以找到。 NessnandVestin2005作者表明，在纯粹前瞻性框架中，PLT（预测领先时间）主导AIT（加速度惯性理论）。然而，当向后看和向前看成分都在菲利普斯曲线中混合时，AIT可能优于IT（惯性理论）和PLT。 Budianto等人2023研究通货膨胀福利最优平均窗口长度。作者们使用行为新凯恩斯模型进行工作。加巴伊克斯2020）以缓解货币政策预期渠道强度作用。他们分析结果表明，只要认知折现参数不太小（认知限制不高），人工智能（AIT ）表现优于迭代时间（IT）并提高代理人福利。结果产生最佳平均窗口长度无限。然而，当近视水平较高时，最佳平均周期变为有限，转为使用人工智能（AIT）获得收益要小得多。Dobrew等2023也利用加巴伊克斯2020并得出结论，在更强近视度数下，化妆规则相对于IT优势丧失。然而，他们强调，对于AIT指数移动平均（MA）表现显著优于算术平均（MA）。 Feiveson等人2020分析在人工智能（AIT）和机器学习技术（PLT）下HANK模型 运行行为。他们表明，基于历史数据策略有助于减轻有效下限（ELB）对失业和通货膨胀负面影响。在商业周期波动之外，他们还 讨论分配问题。Arias等人2020和Hebden等人2020还研究美联储审查过程中资本政策制度，也如此。Feiveson等人2020 Arias等人2020我们发现，历史依赖型货币政策制度可能比IT更有益。然而，这些收益适度，作者指出，存在一些可能影响这些策略实际实施问题。Hebden等人 2020调查通货膨胀预期形成变化对稳健美容规则影响。他们得出结论，使在大多数公众对货币政策规则一无所知情况下，历史依赖性策略也可能有效。 《AIT规则》也在一个HANK模型中研究。Djeutem等人2022作者表明，在他们建模框架中，基于历史规则更优越。只有在中央行关注其损失函数中不平等性时，IT和AIT才有可能完全支配基于历史PLT。贾和吴2021表明美联储新货币框架中缺少精确窗口长度可能故意，并且从中央行角度来看可能有益。相比之下， 霍纳波亚和麦克朗2021表明，与IT或学习类型模型中PLT等不同构成规则相比 ，使用人工智能技术可能会引起显著宏观经济不稳定。 Coulter等2022分析美联储货币政策框架变化对随后几年通货膨胀激增影响。采用合成控制法准实验方法和结构分析方法。MartnezGarca2021新凯恩斯模型，他们表明，从IT到AIT在2020年8月转变只能解释随后几年通货膨胀激增一小部分。皮尔加利尼2022表明在AIT下对遥远过去重视确保了局部确定性并消除了流动性陷阱情况。 概要。本文其余部分组织如下。第X节2描述了