Regla de Taylor: regresión y aprendizaje automático

Resumen

Este artículo reevalúa la regla de Taylor estimando los tipos de los fondos federales mediante una regresión lineal y un modelo no lineal de aprendizaje automático. En el enfoque lineal, mínimos cuadrados ordinarios estiman coeficientes para la inflación, la brecha de inflación y la brecha de producción; la constante representa el objetivo del tipo real de equilibrio. El artículo informa de que la regla convencional asigna coeficientes excesivamente grandes a la brecha de producción y a la tasa de inflación por sí sola.

El sistema no lineal usa la inflación y la brecha de producción como entradas, y el tipo de los fondos federales como salida; el descenso de gradiente minimiza la diferencia entre los tipos estimados y los aplicados históricamente. Informa de un ajuste más cercano que el enfoque lineal, salvo durante tres recesiones relacionadas con estallidos de burbujas. El resumen no incluye fechas de la muestra, medidas detalladas de rendimiento ni especificaciones del diseño del modelo, lo que limita la evaluación de su generalización. Presenta la regresión como informativa desde el punto de vista teórico y el modelo no lineal como más aplicable a la estimación de tipos.

Ideas clave

• El artículo compara una regresión lineal de la regla de Taylor con un modelo no lineal de aprendizaje automático.
• La regresión estima coeficientes para la inflación, la brecha de inflación y la brecha de producción.
• El modelo no lineal transforma la inflación y la brecha de producción en el tipo de los fondos federales.
• El artículo informa de un ajuste histórico más cercano con el modelo no lineal, salvo durante tres recesiones relacionadas con burbujas.
• El resumen no aporta métricas de rendimiento ni detalles suficientes para evaluar la generalización.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.