Réexaminer la règle de Taylor par régression et apprentissage automatique

Résumé

Cet article réexamine la règle de Taylor en estimant les taux des fonds fédéraux au moyen d’une régression linéaire et d’un modèle non linéaire d’apprentissage automatique. Dans l’approche linéaire, les moindres carrés ordinaires estiment les coefficients de l’inflation, de l’écart d’inflation et de l’écart de production ; la constante représente la cible du taux réel d’équilibre. Selon l’article, la règle conventionnelle attribue des coefficients excessivement élevés à l’écart de production et au taux d’inflation pris isolément.

Le système non linéaire utilise l’inflation et l’écart de production comme entrées, et le taux des fonds fédéraux comme sortie ; la descente de gradient minimise l’écart entre les taux estimés et ceux appliqués historiquement. L’article rapporte un ajustement plus proche que celui de l’approche linéaire, sauf pendant trois récessions associées à l’éclatement de bulles. Le résumé ne précise ni les dates de l’échantillon, ni les mesures détaillées de performance, ni la conception du modèle, ce qui limite l’évaluation de sa généralisation. Il présente la régression comme informative sur le plan théorique et le modèle non linéaire comme plus adapté à l’estimation des taux.

Idées clés

• L’article compare une régression linéaire fondée sur la règle de Taylor à un modèle non linéaire d’apprentissage automatique.
• La régression estime les coefficients de l’inflation, de l’écart d’inflation et de l’écart de production.
• Le modèle non linéaire relie l’inflation et l’écart de production au taux des fonds fédéraux.
• L’article rapporte un meilleur ajustement historique du modèle non linéaire, avec des exceptions lors de trois récessions liées à des bulles.
• Le résumé ne fournit pas de mesures de performance ni assez de détails pour évaluer la généralisation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.