Neubewertung der Taylor-Regel mit Regression und maschinellem Lernen

Zusammenfassung

Diese Arbeit bewertet die Taylor-Regel neu, indem sie Federal-Funds-Zinssätze sowohl mit einer linearen Regression als auch mit einem nichtlinearen Machine-Learning-Modell schätzt. Beim linearen Ansatz schätzt die Methode der kleinsten Quadrate Koeffizienten für Inflation, die Inflationslücke und die Produktionslücke; der Achsenabschnitt steht für das Ziel des gleichgewichtigen Realzinses. Laut Arbeit weist die herkömmliche Regel der Produktionslücke und der eigenständigen Inflationsrate übermäßig große Koeffizienten zu.

Das nichtlineare System verwendet Inflation und Produktionslücke als Eingaben und den Federal-Funds-Zinssatz als Ausgabe. Beim Gradientenabstieg wird die Differenz zwischen geschätzten und historisch umgesetzten Zinssätzen minimiert. Es erzielt laut Bericht eine bessere Anpassung als der lineare Ansatz, außer während drei Rezessionen im Zusammenhang mit geplatzten Blasen. Das Abstract enthält weder Stichprobendaten noch detaillierte Leistungskennzahlen oder Einzelheiten zum Modelldesign, was die Beurteilung der Verallgemeinerbarkeit einschränkt. Es stellt die Regression als theoretisch aufschlussreich und das nichtlineare Modell als besser für die Zinsschätzung geeignet dar.

Kernaussagen

• Die Arbeit vergleicht eine lineare Regression der Taylor-Regel mit einem nichtlinearen Modell des maschinellen Lernens.
• Die Regression schätzt Koeffizienten für Inflation, Inflationslücke und Produktionslücke.
• Das nichtlineare Modell ordnet Inflation und Produktionslücke dem Federal-Funds-Zinssatz zu.
• Laut Arbeit passt das nichtlineare Modell historisch besser, mit Ausnahmen während dreier Rezessionen im Zusammenhang mit geplatzten Blasen.
• Das Abstract liefert keine Leistungskennzahlen und nicht genügend Details, um die Verallgemeinerbarkeit zu beurteilen.

Schlagwörter

# Reevaluating the Taylor Rule with Machine Learning


# Reevaluating the Taylor Rule with Machine Learning









This paper aims to reevaluate the Taylor Rule, through a linear and a nonlinear method, such that its estimated federal funds rates match those actually previously implemented by the Federal Reserve Bank. In the linear method, this paper uses an OLS regression model to find more accurate coefficients within the same Taylor Rule equation in which the dependent variable is the federal funds rate, and the independent variables are the inflation rate, the inflation gap, and the output gap. The intercept in the OLS regression model would capture the constant equilibrium target real interest rate set at 2. The linear OLS method suggests that the Taylor Rule overestimates the output gap and standalone inflation rate's coefficients for the Taylor Rule. The coefficients this paper suggests are shown in equation (2). In the nonlinear method, this paper uses a machine learning system in which the two inputs are the inflation rate and the output gap and the output is the federal funds rate. This system utilizes gradient descent error minimization to create a model that minimizes the error between the estimated federal funds rate and the actual previously implemented federal funds rate. Since the machine learning system allows the model to capture the more realistic nonlinear relationship between the variables, it significantly increases the estimation accuracy as a result. The actual and estimated federal funds rates are almost identical besides three recessions caused by bubble bursts, which the paper addresses in the concluding remarks. Overall, the first method provides theoretical insight while the second suggests a model with improved applicability.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.