Reavaliação da Regra de Taylor com regressão e aprendizado de máquina

Resumo

Este artigo reavalia a Regra de Taylor estimando as taxas dos fundos federais com uma regressão linear e um modelo não linear de aprendizado de máquina. Na abordagem linear, mínimos quadrados ordinários estimam coeficientes para a inflação, o desvio da inflação em relação à meta e o hiato do produto, com o intercepto representando a meta da taxa real de equilíbrio. O artigo relata que a regra convencional atribui coeficientes excessivamente altos ao hiato do produto e à taxa de inflação isolada.

O sistema não linear usa a inflação e o hiato do produto como entradas, e a taxa dos fundos federais como saída; o gradiente descendente minimiza a diferença entre as taxas estimadas e as efetivamente praticadas historicamente. O ajuste relatado é melhor que o da abordagem linear, exceto durante três recessões associadas ao estouro de bolhas. O resumo não informa as datas da amostra, medidas detalhadas de desempenho ou especificações do modelo, o que limita a avaliação de sua capacidade de generalização. Apresenta a regressão como informativa em termos teóricos e o modelo não linear como mais aplicável à estimação de taxas.

Ideias principais

• O artigo compara uma regressão linear da Regra de Taylor com um modelo não linear de aprendizado de máquina.
• A regressão estima coeficientes para a inflação, o desvio da inflação em relação à meta e o hiato do produto.
• O modelo não linear relaciona a inflação e o hiato do produto à taxa dos fundos federais.
• O artigo relata um melhor ajuste histórico do modelo não linear, com exceções durante três recessões associadas a bolhas.
• O resumo não apresenta métricas de desempenho nem detalhes suficientes para avaliar a generalização.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.