Points forts de l'investissement.
Idées de modélisation dynamique des facteurs
Ces dernières années, les modèles factoriels dynamiques (DFM) ont été couramment utilisés en économétrie pour résoudre les problèmes de suivi et de prévision des données macroéconomiques. Ils ont été largement utilisés dans la pratique par la Réserve fédérale et les autorités monétaires des principales régions du monde, comme la BCE. Dans ce document, nous utilisons le cadre logique du modèle factoriel dynamique pour suivre et prévoir l'inflation, le PMI et le PIB en incorporant une série de données macroéconomiques à haute fréquence afin de fournir des indications sur l'état des performances macroéconomiques.
Le modèle de facteur dynamique est essentiellement un modèle d'espace d'état, qui se compose de deux parties : l'équation d'observation et l'équation de transfert d'état. L'idée centrale de l'équation d'observation est de supposer qu'une grande quantité de données macroéconomiques est déterminée par un petit nombre de cofacteurs implicites ; l'équation de transfert d'état décrit le processus de série chronologique suivi par les cofacteurs implicites, c'est-à-dire l'évolution dynamique des cofacteurs eux-mêmes, qui sont généralement considérés comme suivant un processus vectoriel autorégressif (VAR).
Avantages des modèles factoriels dynamiques
Par rapport aux modèles de régression traditionnels, les modèles factoriels dynamiques présentent les avantages significatifs suivants en matière de traitement des données : (1) Réduction de la dimensionnalité des grandes macro-données. (2) résoudre le "problème de la confusion et des données manquantes" (3) refléter les caractéristiques variables dans le temps du transfert d'état (4) résoudre le problème de la pondération de la synthèse des indices
Efficacité du modèle factoriel dynamique
(1) Nous construisons un système à haute fréquence pour suivre les taux de croissance annuels de l'IPC et de l'IPP respectivement. En termes d'effet d'ajustement, le modèle factoriel dynamique explique mieux le suivi de l'inflation ; l'explication du taux en chaîne est plus forte que celle du taux en glissement annuel, et l'explication de la croissance de l'IPP est plus forte que celle de la croissance de l'IPC. Sur la base de données à haute fréquence pour le mois se terminant en septembre 2022, nous fournissons une prévision extrapolée sur une période de la croissance de l'IPC et de l'IPP. L'IPP devrait augmenter de 1% en glissement annuel en octobre, tandis que l'IPC devrait augmenter de 3% en glissement annuel.
(2) Nous construisons un système à haute fréquence pour suivre séparément le PMI et le PIB. L'ajustement global des taux de croissance du PMI et du PIB est bon, et tous deux reflètent l'impact de l'épidémie au début de 2020. Les prévisions hors échantillon montrent que l'indice PMI est actualisé à 50,14 le 29 septembre 2022 et à 50,1 le jour suivant, ce qui est proche de la prévision. Le modèle actuel prévoit une croissance du PIB de 4,1 % au troisième trimestre.
(3) Nous contraignons toutes les variables observées par quatre composantes : le facteur global, le facteur de croissance, le facteur financier et le facteur d'inflation ; près de 100 variables sont passées en revue sous différents facteurs selon la fréquence mensuelle, et toutes sont traitées en glissement annuel pour éliminer la saisonnalité. Les résultats du modèle montrent que les facteurs implicites de croissance, de monnaie et d'inflation extraits des données macroéconomiques sont conformes à l'expérience historique et peuvent être utilisés pour des prévisions de suivi et d'extrapolation au niveau mondial.
Risque : les résultats du modèle sont donnés à titre indicatif et les changements de l'environnement économique peuvent affecter les résultats du modèle.
