Macroeconomic forecasting and variable ordering in multivariate stochastic volatility models
多元随机波动率模型中的宏观预测与变量排序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。
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：摘要直接讨论宏观预测、时变参数向量自回归及多元动态模型，对应预测、VAR与时间序列方向。
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…
多元随机波动率模型中的宏观预测与变量排序
- 研究问题
- 时变参数向量自回归与随机波动率模型中的变量排序，如何影响宏观点预测、预测密度、区间及条件预测？排序不变模型表现如何？
- 方法与思路
- 作者比较不同排序下的预测结果，并考察三类排序不变替代模型：折扣Wishart随机波动率模型及两个动态随机相关模型。
- 材料陈述的贡献
- 摘要报告排序不影响点预测，却影响密度离散程度、区间长度和评分；条件预测更敏感，两类随机相关模型表现接近排序结果中位数。
- 阅读关注点
- 应核对点预测不变结论的经验范围、预测变量与期限、条件信息的设置，以及替代模型比较时的先验、样本和评分口径。
- 阅读边界
- 仅依据所给RePEc出版社摘要，不能推断刊本变化；摘要呈现的是经验发现，未给出数据细节或数值，不能将排序影响解释为普遍定理。
原文摘要
We document five novel empirical findings on the well-known potential ordering drawback associated with the time-varying parameter vector autoregression with stochastic volatility developed by Cogley and Sargent (2005) and Primiceri (2005). First, the ordering does not affect point prediction. Second, the standard deviation of the predictive densities implied by different orderings can differ substantially. Third, the average length of the prediction intervals is also sensitive to the ordering. Fourth, the best ordering for one variable in terms of log-predictive scores does not necessarily imply the best ordering for another variable under the same metric. Fifth, the ordering problem becomes exacerbated in conditional forecasting exercises. Then, we consider three alternative ordering invariant models: a canonical discounted Wishart stochastic volatility model and two dynamic stochastic correlation models. When the forecasting performance of these ordering invariant models is compared to Cogley, Primiceri, and Sargent’s ordering variant model, the former underperforms relative to all orderings and the latter two have an out-of-sample forecasting performance comparable with the median outcomes across orderings.