Переоценка правила Тейлора с помощью регрессии и машинного обучения

Сводка

В статье повторно оценивается правило Тейлора: ставка по федеральным фондам оценивается с помощью линейной регрессии и нелинейной модели машинного обучения. В линейном подходе методом наименьших квадратов оцениваются коэффициенты при инфляции, разрыве инфляции и разрыве выпуска; свободный член представляет целевую равновесную реальную ставку. Согласно статье, традиционное правило задаёт слишком большие коэффициенты при разрыве выпуска и отдельном показателе инфляции.

В нелинейной системе инфляция и разрыв выпуска служат входными данными, а ставка по федеральным фондам — выходным показателем. Градиентный спуск минимизирует расхождение между оценёнными ставками и ставками, применявшимися исторически. Сообщается, что соответствие данным лучше, чем у линейного подхода, за исключением трёх рецессий, связанных с лопнувшими пузырями. В аннотации нет дат выборки, подробных показателей качества или спецификации модели, что ограничивает оценку обобщающей способности. Регрессия представлена как источник теоретических выводов, а нелинейная модель — как более применимый инструмент оценки ставок.

Ключевые идеи

• В статье сравниваются линейная регрессия по правилу Тейлора и нелинейная модель машинного обучения.
• В регрессии оцениваются коэффициенты при инфляции, разрыве инфляции и разрыве выпуска.
• Нелинейная модель связывает инфляцию и разрыв выпуска со ставкой по федеральным фондам.
• Согласно статье, нелинейная модель лучше соответствует историческим данным, кроме периодов трёх рецессий, связанных с пузырями.
• В аннотации нет показателей качества и сведений, достаточных для оценки обобщающей способности.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.