木咲美琴
帆（IMI研究员，副教授，中文大学（深圳）经济管理学院，深圳高等金融研究院，中国人民大学国际货币研究所）
本研究利用中国宏观经济指标构建了基于贝叶斯估计的混合频率向量自回归模型（MF-BVAR），并对该模型预测中国宏观经济运行情况的效果进行了检验。本文模型在允许多变量、不同频数据共存的条件下提高了模型估计的度，从而实现高精度预测。结果显示，在宏观经济管理部门所关注的核心经济变量CPI、RPI和P等的预测方面，MF-BVAR模型相对于目前广泛应用的同频向量自回归模型和MIDAS模型，预测精度都有显著改善。本文亦发现房地产投资对于模型预测能力的重要作用，从样本外预测的角度佐证了房地产部门对于中国宏观经济的重要影响。本文也验证了中国股票市场表现不能对预测宏观经济运行提供额外贡献。
在宏观经济分析中，由于微观基础数据难以获得，加之经济各部门本身的复杂性，因此对于宏观经济指标的预测非常困难。Litterman (1986) 指出此类错误除了归咎于基础数据的可靠性，缺乏准确的计量手段也是一个重要原因。因此，本文致力于改良计量经济学模型从而更精确的预测通胀指标（CPI、RPI增长率）和经济增长指标（P增长率）等，为宏观经济管理部门的政策制定提供具备前瞻性的分析方法和。
目前，中央银行广泛使用的宏观预测模型是基于由Sims (1980) 提出的向量自回归模型（VAR）。VAR模型的构造使其能够有效规避内生性问题并具有预测精度较高和估计简便的优势。现阶段中国人民银行参考传统季度同频VAR模型（QF-VAR）以及Logit-VAR月度模型进行基准预测。目前学界最前沿的尝试是周建、况明（2015）的研究，该研究首次建立中型宏观系统的季度同频贝叶斯（QF-BVAR）模型，并与传统季度同频VAR（QF-VAR）模型进行对比，发现QF-BVAR模型的预测误差显著小于QF-VAR模型且结果稳健。因此，QF-BVAR模型应用于中国宏观经济预测具备更高的可靠性。
然而，基于同频宏观数据的模型或其增广形式，在实际应用时存在诸多局限，甚至与实际数据生成过程。首先，与更方便观测的集中交易数据（例如股票、债券、外汇价格等）相比，宏观变量只能以较低的时间频率进行收集汇总（例如绝大部分国民经济核算指标）。其原因在于：数据本身的收集链条长、成本高，即使想要生成高频数据，时效性也难以；生产企业存货去化速率具有随机性，较短时间窗口的收集处理会加剧数值方差，反而不如降低数据频率。其次，对于不同频率的数据，传统方法是通过加总法或均值法将较高频率数据（例如日度或月度数据）为低频数据（例如季度或年度数据），亦或是通过插值法进行反方向处理（低频变高频），然后建立同频模型加以分析预测。近年来的研究指出，传统模型的同频方式存在预测效率方面的问题，包含低频宏观指标的同频模型往往以损失高频信息为代价，因而也会失去模型预测的时效性及精确性（尚玉皇、郑挺国，2016）。
在技术方法上，为突破同频VAR模型的局限，Zadrozny (1988, 1990, 2008) 首次提出混频向量自回归移动平均模型 (MF-VARMA)，并将模型表达为状态空间的形式。该模型在预测美国P增长方面的效果显著优于同频自回归模型。类似方法相继在Brockwell et al. (1987), Mariano and Murasawa (2003, 2010), 以及Foroni et al. (2013) 的研究中被采用，但这种估计方法在高维VAR模型的大参数空间下会出现非正态性等问题，给参数估计和统计检验带来麻烦。Chiu et al. (2011) 和Eraker et al. (2015) 提出在贝叶斯估计的基础上使用吉布斯抽样的方法，从而避免上述问题，并提高了估计效果。Schorfheide and Song (2015) 进一步基于明尼苏达先验分布 (Minnesota prior) 的贝叶斯估计方法建立混频向量自回归模型（MF-BVAR），更进一步改善了中对于美国宏观经济的预测。
在绝大部分分析中，多数研究主要关注模型参数估计以及变量间的影响机制，而非预测，并希冀通过“全信息”形式的数据更加深入地研究经济变量之间的影响效应。Schorfheide and Song (2015) 比较了11维MF-BVAR模型与QF-VAR模型在美国2008年金融危机期间对P、通胀及失业率的预测表现，发现月度变量的加入带来显著预测改善；Pirschel (2015) 发现MF-BVAR模型在2008-2009年经济衰退以及2011-2013年欧债危机期间表现出对P极优的预测能力，因而对于罕见的经济事件有更好的捕捉和预报能力。Chiu et al. (2011) 针对经济增长、工业产值及利率指标建立混频模型，对比了季度同频QF-VAR模型和MF-BVAR模型的估计参数以及二者的脉冲响应函数，得到的结论是MF-BVAR模型参数的后验分布对实际值的偏离更小，估计更准确。Götz et al. (2016) 提出贝叶斯方法对混频模型下格兰杰检验效果存在改善。
本文的第一个贡献是检验Schorfheide and Song (2015) 的MF-BVAR模型在中国的适用性。本研究以目前最前沿的预测中国宏观经济运行的文献（周建、况明，2015）中所采用的QF-BVAR为比对模型，结果表明，涵盖14个宏观变量的MF-BVAR模型对于物价指数CPI和P增长率的预测都明显优于同频模型。
Schorfheide and Song (2015) 认为金融变量在宏观经济预测方面具有额外价值。相对于季度模型而言，月季混频模型的一个潜在好处是可以利用金融变量的相对高频信息改善预测质量。在周建、况明（2015）的季度同频模型中考虑了贷款和利率这两个金融指标。本文进一步引入股票价格指标，以考察额外的金融变量是否能够改善预测的精度。从理论上来讲，基于消费的资本资产定价模型表明股票收益率和消费增长率高度相关。在消费难以被精确度量的情况下，股票收益率可以提供额外信息。然而，本文结果表明，相对于已经包含消费指标的14变量MF-VAR模型而言，加入股票指数的15变量模型的预测质量并未显著改善。这一方面体现出中国金融体系的主导仍是银行信贷，而14变量模型早已包含信贷的信息。另一方面，14变量模型已经包含消费增长率指标，加入股票指数并不能通过改善消费的测度而改善预测。
本文的另一贡献是从预测的角度探讨了总投资、房地产部门与宏观经济的关系。研究发现，总投资对于模型的预测精度影响十分显著。但在控制房地产部门的指标之后，投资的作用不再显著。这从一个侧面表明房地产部门的确占据总投资中的重要地位，且能够显著影响中国宏观经济运行。这一结论和何青等（2015）的研究结论是一致的。但是何青等（2015）的研究方法是基于DSGE模型的样本内拟合，而本文是样本外预测。因此，本文从预测的角度提供了关于房地产-总投资-宏观经济联动的。这是对现有文献的有益补充。
本文利用描述中国宏观经济运行的关键指标，构建了基于贝叶斯估计的混频向量自回归（MF-BVAR）模型，详细论证了MF-BVAR模型相对于季度同频模型（QF-BVAR）在宏观经济预测方面的比较优势。结果显示，在宏观经济管理部门所关注的核心经济变量CPI和P增长率的预测方面，MF-BVAR相对于广泛应用的同频向量模型或是基于单方程的MIDAS模型，预测精度都有显著提升。混频模型相对于同频模型的优势表明传统的数据降频方法抹去了对于样本外预测有价值的信息。季度内不同时点的区间预测结果则显示，MF-BVAR模型能够实现更平滑的预测，对于季度内新信息的容纳能力以及对短期走势的捕获拟合能力明显优于QF-BVAR模型，这也体现出新增短期信息对于混频模型预测效果的重要影响。由于制定宏观经济政策客观上依赖于方的前瞻性，因而如何构造计量模型从而最大化对于关键指标的预测能力就显得尤为重要。本研究的结果显示MF-BVAR模型能够有效提高决策部门的宏观预测能力，进而达到改善宏观经济管理的绩效。本文亦从样本外预测的角度佐证了房地产部门对于中国宏观经济的重要影响。
入群方法：加群主为微信好友（微信号：imi605）,添加时备注个人姓名（实名认证）、单位、职务等信息，经群主审核后，即可被拉进群。
欢迎读者朋友多多留言与我们交流互动，留言可换品：每月累积留言点赞数最多的读者将得到我们寄送的最新研究一份。
中国人民大学国际货币研究所（IMI）成立于2009年12月20日，是专注于货币金融理论、政策与战略研究的非营利性学术研究机构和新型专业智库。研究所聘请了来自国内外科研院所、部门或金融机构的90余位著名专家学者担任顾问委员、学术委员和国际委员，80余位中青年专家担任研究员。
研究所长期聚焦国际金融、宏观经济理论与政策、金融科技、财富管理、金融监管、地方金融等领域，定期举办高层次系列论坛或，形成了《人民币国际化报告》《金融机构国际化报告》《中国财富管理报告》《金融科技二十讲》等一大批具有重要学术和政策影响力的产品。
2016年，研究所入围《中国智库大数据报告》影响力榜单列高校智库第4位，并在“中国经济类研究机构市场价值排行榜（2016）”中名列第32位。