Macroeconomic Forecasting for the G7 countries under Uncertainty Shocks
不确定性冲击下的七国集团宏观经济预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以七国集团宏观预测为主，并明确使用贝叶斯 VAR 和局部投影分析不确定性冲击。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
不确定性冲击下的七国集团宏观经济预测
- 研究问题
- 面对不确定性冲击、高维参数和时变相互依赖，如何预测七国集团宏观变量，并分析冲击溢出与不同状态下的动态响应？
- 方法与思路
- 作者扩展带外生变量的 Sims–Zha 贝叶斯 VAR，加入领域信息收缩和四类不确定性指标，并结合小波相干与非线性局部投影。
- 材料陈述的贡献
- 摘要称在十二及二十四个月样本外预测中优于十四个基准，并以预测检验和差异图支持比较，同时提供贝叶斯预测区间。
- 阅读关注点
- 核对不确定性指标的冲击识别、外生性依据与收缩设定，检查预测样本划分、信息泄漏、基准调参及区间校准的具体证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未给出样本期、误差与检验数值，也未充分说明冲击的因果识别。
原文摘要
Accurate macroeconomic forecasting has become harder amid geopolitical disruptions, policy reversals, and volatile financial markets. Conventional vector autoregressions (VARs) overfit in high dimensional settings, while threshold VARs struggle with time varying interdependencies and complex parameter structures. We address these limitations by extending the Sims Zha Bayesian VAR with exogenous variables (SZBVARx) to incorporate domain-informed shrinkage and four newspaper based uncertainty shocks such as economic policy uncertainty, geopolitical risk, US equity market volatility, and US monetary policy uncertainty. The framework improves structural interpretability, mitigates dimensionality, and imposes empirically guided regularization. Using G7 data, we study spillovers from uncertainty shocks to five core variables (unemployment, real broad effective exchange rates, short term rates, oil prices, and CPI inflation), combining wavelet coherence (time frequency dynamics) with nonlinear local projections (state dependent impulse responses). Out-of-sample results at 12 and 24 month horizons show that SZBVARx outperforms 14 benchmarks, including classical VARs and leading machine learning models, as confirmed by Murphy difference diagrams, multivariate Diebold Mariano tests, and Giacomini White predictability tests. Credible Bayesian prediction intervals deliver robust uncertainty quantification for scenario analysis and risk management. The proposed SZBVARx offers G7 policymakers a transparent, well calibrated tool for modern macroeconomic forecasting under pervasive uncertainty.