これは何
↓を読んでいたら面白そうなことを思いついたので勢いで記す。
Kim, Y. and Kang, K. (2022) "Bayesian Inference of Multivariate Regression Models with Endogenous Markov Regime-Switching Parameters", Journal of Financial Econometrics, 20(3), 391–436.
https://academic.oup.com/jfec/article/20/3/391/5909218
内生的レジーム転換モデル
観測可能な確率ベクトル について次のDGPを仮定。
ここで、
追加的に、次の仮定が置くことで、レジーム転換を endogenous とする。
ここで、
- は正定値;
- (i.e. レジーム転換が exogenous).
適当に事前分布を設定したのちに、下のパラメータを推定したい。
- ;
- ;
拡張
元論文では、 は定数であった。
多分、こうすることで、 の Markovian property を明確に保持したかったんだと推測。
一方、状態の予測(フォアキャスト)に生かしたいのであれば、 の marginal な mean は予測に使えそうな time-varying な量でもあってほしい。そこで、
という (Bayesian) feedforward neural network を組み込む。FFNNでなければならない理由はない。とにかく、↑は、ある状態への遷移確率を NN でモデル化したことに相当する。特に、それは に依る。
従って、Filardo (1994) と異なる点は、
- 時変的遷移確率を多項ロジット的な単純なモデルでパラメータ化せず、agnostic に Bayesian Neural Net を取り入れた点;
- Kim and Kang (2022) の枠組みのもとで、endogeneity を含む点;
- (かつ、次元の潜在変数による endogeneity でなく、次元の潜在変数による endogeneity においてBayesian Neural Net を取り入れた点)
など。
簡単な設定で試す
データ
McCracken and Ng (2015) の FRED-MD の
- 米CPI
- 米 鉱工業指数(INDPRO)
- フェデラルファンド(FF)レート
- 米 失業率(UNEMP あるいは UNRATE)
の月次データ(2000-10 ~ 2023-01)をフィーリングで選択。追加でFF先物も入れている。
観測方程式(レジームスイッチング・2変量VAR)
NNのアーキテクチャ
計算リソース的な観点から、むやみにパラメータ数を増やせないため、
(1) 入力次元は5次元( だから);
(2) 隠れ層は2層、10次元;
(3) 出力次元は次元
と、割と conservative(もといテキトー)に設定した。
結果
- 景気後退の定義
任意のに対し、 を満たす を景気後退期と定義する。
トレース
この場合、景気後退期とは 。なお、収束診断をしていない暫定的なものであることに注意。
遷移確率の事後分布の例:
もう少しオサレなアニメーション
ココ
github.com
気になる点
- 遷移確率の変動が少ない
- MCMCに時間がかかる
- VIで試したけど、出力結果を評価しづらい
- model selectionは難題か
参考
- Filardo, A. J. (1994). "Business-cycle phases and their transitional dynamics", Journal of Business & Economic Statistics, 12(3), 299–308.
- Kim, Y. and Kang, K. (2022). "Bayesian Inference of Multivariate Regression Models with Endogenous Markov Regime-Switching Parameters", Journal of Financial Econometrics, 20(3), 391–436.
- McCracken, M. W. and Ng, S. (2015). "FRED-MD: A Monthly Database for Macroeconomic Research", Working Papers 2015-12, Federal Reserve Bank of St. Louis.