5.4 贝叶斯预测方法的经济应用

5.4 贝叶斯预测方法的经济应用

在经济预测文献中，贝叶斯方法的应用实例不胜枚举，简短的综述难以做到面面俱到，因此我们将评论贝叶斯方法在某些主要领域中取得显著成效的应用案例。早在20世纪70年代末开展的研究工作中（如Litterman（1986）所总结），贝叶斯方法就在使用向量自回归等多变量模型进行宏观经济预测中占据了重要地位，因为这类模型需要估计大量未知参数。贝叶斯方法在这一领域取得成功的主要原因是，与使用收缩法或贝叶斯方法所产生的损失相比，最小二乘估计所带来的损失可能要大得多。古典预测者和贝叶斯预测者都发现，贝叶斯方法是处理参数估计误差的有效手段。动态因子模型的估计是贝叶斯预测方法得到广泛应用的另一个领域；例如，可参见De Mol、Giannone和Reichlin（2008）的研究。最后，贝叶斯方法还广泛用于估计动态随机一般均衡（DSGE）模型并基于这些模型生成预测。这些主题将在第9章中更详细地讨论。

具有不可观测成分的预测模型是贝叶斯模型现已常规应用的第二个领域。卡尔曼滤波器中使用的更新公式在创新项联合正态性条件下由贝叶斯公式推导得出，因此天然地适合采用贝叶斯方法处理；关于这些模型的详细论述，可参见Durbin和Koopman（2012）。这类应用之一是处理模型参数存在离散、不可观测断裂的设定。Kim和Nelson（1999）涵盖了具有重复区制的马尔可夫区转换模型的贝叶斯估计，而Koop和Potter（2007）以及Pesaran、Pettenuzzo和Timmermann（2006）则是参数断裂可能为唯一性、且参数从某个连续元分布中抽取的模型的例子。

收益预测与投资组合选择是贝叶斯方法常用的第三个领域。为构建最优投资组合，投资者必须考虑参数不确定性，而后验预测密度为实现这一目标提供了一种自然的方法。与以一组参数估计为条件的古典代入法相比，考虑估计误差的贝叶斯解法通常能够得出更为稳健的资产配置结果，尤其是对于风险厌恶型投资者而言。贝叶斯方法在资产配置中的应用实例包括Kandel和Stambaugh（1996）、Barberis（2000）以及Pettenuzzo和Timmermann（2011）。

模型组合是贝叶斯方法得到广泛应用的第四个预测领域。贝叶斯模型平均提供了一种处理模型不确定性的方法，使研究者能够对模型选择某一特定维度上的不确定性进行积分。一个早期的例子是Min和Zellner（1993）对国际增长率预测的研究。贝叶斯模型平均将在第14章中讨论。