Основы анализа бизнес-циклов

Что такое бизнес-циклы?

Бизнес-циклы - это повторяющиеся колебания совокупной экономической активности - измеряемые такими показателями, как валовой внутренний продукт (ВВП), занятость, промышленное производство и доход - которые разворачиваются в течение периодов, продолжающихся от нескольких лет до десятилетия или более. Каждый цикл состоит из четырех отдельных фаз: расширение (рост производства и занятости), пик (максимальный уровень активности до спада), сокращение (снижение производства и рост безработицы) и грубое (низкая точка, с которой начинается новое расширение). В то время как сроки и амплитуда этих фаз различаются, основная динамика - обусловленная инвестиционными циклами, инновационными волнами, денежно-кредитной и фискальной политикой и внешними шоками - демонстрирует замечательные закономерности, которые эконометрические методы предназначены для захвата.

Современная макроэкономика различает два широких типа циклов: классические циклы (абсолютное снижение экономической активности) и циклы роста (отклонения от роста тренда). Классические циклы встречаются реже в эпоху после Второй мировой войны, в то время как циклы роста охватывают периоды расширения ниже тренда, которые могут не регистрироваться как полные рецессии. Эконометрические методы должны быть достаточно гибкими, чтобы идентифицировать оба типа, особенно при работе с длинными историческими записями, которые охватывают различные институциональные режимы.

Почему исторический анализ имеет значение

Изучение исторических бизнес-циклов дает несколько преимуществ. Во-первых, оно обеспечивает более длинную выборку эпизодов расширения и сокращения, позволяя эконометристам оценивать модели с большей статистической мощностью и выявлять редкие, но катастрофические события, такие как Великая депрессия или финансовый кризис 2008 года. Во-вторых, исторические данные позволяют исследователям проверять стабильность экономических отношений в различных политических режимах, институциональных структурах и технологиях. Например, изучение циклов в эпоху золотого стандарта по сравнению с периодом после Бреттон-Вудса проливает свет на то, как денежные рамки влияют на волатильность. Наконец, изучение прошлых восстановительных процессов - особенно тех, которые последовали за глубокими рецессиями - помогает политикам разрабатывать контрциклические меры, которые являются своевременными и целенаправленными.

Исторический анализ также раскрывает ограничения, связанные с использованием исключительно послевоенных данных, на которые сильно влияет период необычайно низкой волатильности «Великая умеренность» (1984–2007 гг.), а расширение выборки назад показывает, что высокочастотные шоки, банковская паника и перебои в поставках были гораздо более распространенными, чем предполагает недавний опыт, обеспечивая более богатый набор наблюдений для стресс-тестирования экономических теорий.

Основные эконометрические методы для исторических данных

Разложение временны́х рядов

Разложение временных рядов разделяет исторический экономический ряд (например, промышленное производство США с 1860 по 2020 год) на три компонента: тренд (долгосрочный рост), сезонный (повторение закономерностей в течение года) и циклический (колебания тренда). Наиболее распространенным инструментом для этого является фильтр Ходрика-Прескотта (HP) (флуктуации вокруг тренда), который изолирует циклический компонент путем сглаживания данных. Однако фильтр HP имеет известные предубеждения в конечных точках, критическая проблема для исторических данных, где начало и конец серии часто соответствуют важным поворотным точкам. Альтернативы включают фильтр полосового прохода Бакстера-Кинга и фильтр Кристиано-Фицджеральда, которые более устойчивы в определении циклов конкретных длительностей, таких как 2--8-летний период, типичный для классических бизнес-циклов.

Более продвинутые методы включают в себя Гамильтон фильтр (регрессионный подход, который избегает проблем с конечными точками HP) и ненаблюдаемые модели компонентов, которые рассматривают тренд и цикл как скрытые стохастические процессы. Эти модели позволяют изменять временные параметры, такие как изменение темпов роста тренда, что имеет важное значение при анализе серий, которые включают эпизоды, такие как послевоенный бум или замедление производительности 1970-х годов.

Спектральный анализ

Спектральный анализ превращает временные ряды из временной области в частотную область, выявляя периодичности, которые не очевидны в исходных данных. Разложив исторические серии ВВП на циклы различных частот — краткосрочные (например, циклы запасов), среднесрочные (правильные бизнес-циклы) и долгосрочные (качели Кузнеца или волны Кондратьева) — спектральный анализ может подтвердить, действительно ли наблюдаемые колебания являются циклическими или просто случайными шумами. Например, применение спектральных методов к данным о безработице в США с 1890 по 1940 год помогло продемонстрировать, что Великая депрессия была не только серьезным спадом, но и периодом необычно низкой частоты, постоянной волатильности.

Современные достижения включают в себя вейвлет-анализ, который позволяет исследователю исследовать, как частотное содержание ряда изменяется с течением времени. Вейвлеты особенно полезны для исторических данных, поскольку они могут фиксировать эволюционирующий характер бизнес-циклов — например, сокращение длины цикла в послевоенную эпоху по сравнению с периодом до 1914 года. Спектральные методы также лежат в основе построения «фильтров цикла», используемых в мониторинге экономической деятельности центральными банками и международными организациями в режиме реального времени.

Векторные ауторегрессии и функции импульсного реагирования

Векторные ауторегрессии (VAR) моделируют динамические взаимодействия между несколькими экономическими переменными (например, ВВП, инфляция, процентные ставки и цены акций) как система уравнений, где каждая переменная зависит от своих собственных прошлых значений и значений других переменных. Функции импульсного ответа затем выявляют, как одноразовый шок одной переменной — такой как скачок цен на нефть или ужесточение денежно-кредитной политики — распространяется через систему с течением времени. Исторические применения VAR были ключевыми в оценке воздействия фискальной политики во время Великой депрессии и в определении роли кредитных шоков в рецессии 2008 года.

Ключевой проблемой с историческими данными является то, что количество наблюдений часто ограничено, что делает необходимым использование байесовских VAR, которые включают предыдущую информацию. Байесовские методы позволяют исследователю сжимать пространства с высокоразмерными параметрами в направлении предварительного распределения, улучшая точность прогнозирования и вывод в небольших выборках. Структурные VAR (SVAR) идут дальше, налагая идентифицирующие ограничения, такие как предположение, что шоки денежно-кредитной политики не имеют одновременного влияния на выпуск, взятые из экономической теории. Эти ограничения часто исторически обсуждаются, и анализ чувствительности имеет решающее значение.

Другим важным расширением является изменяющийся во времени параметр VAR (TVP-VAR) , который позволяет коэффициентам VAR постепенно меняться с течением времени. TVP-VAR использовались для документирования меняющейся передачи шоков цен на нефть к инфляции и производству, показывая, что реакция экономики США на скачки цен на энергоносители значительно ослабла после середины 1980-х годов.

Модели интеграции и исправления ошибок

Многие исторические экономические переменные имеют долгосрочные равновесные отношения, даже если они блуждают индивидуально в краткосрочной перспективе. Тесты на интеграцию, такие как разработанные Энглом и Грейнджером или Йохансеном, определяют, связаны ли два или более нестационарных временных ряда (например, производство и занятость, или цены и денежная масса) стабильными долгосрочными отношениями. Когда монетеграция присутствует, модели коррекции ошибок (ECM) могут захватить скорость, с которой система возвращается к равновесию после нарушения. Например, анализ монетеграции между промышленным производством и оптовыми ценами в конце 19-го века прояснил степень, в которой классический золотой стандарт обеспечил конвергенцию уровня цен в разных странах.

Для исторических данных, тестирование на монетную интеграцию должно учитывать структурные разрывы в долгосрочных отношениях. Тест Грегори-Хансена и тест Хатеми-Джей допускают одну или несколько неизвестных точек разрыва и широко используются в экономической истории.Наличие коинтеграции также оправдывает использование ECM для прогнозирования, поскольку термин коррекции ошибок гарантирует, что прогнозы привязаны к долгосрочному равновесию, обеспечивая более надежные прогнозы для поворотных точек.

Марков меняет модели

Марковские модели коммутации позволяют параметрам эконометрической модели (например, средние темпы роста, волатильность) меняться с течением времени в соответствии с ненаблюдаемой переменной состояния, которая следует за цепочкой Маркова. Это особенно ценно для исторических бизнес-циклов, поскольку оно может идентифицировать периоды режимов «бума» с высоким ростом по сравнению с режимами «спада» с низким ростом, не требуя от исследователя предварительного указания поворотных точек. Применительно к данным ВВП США с 1854 года по настоящее время модели коммутации Маркова генерировали хронологию расширений и сокращений, которая близко соответствует датировке NBER, а также выявляя «рецессии роста» - периоды, когда экономика замедляется, не переходя в абсолютное снижение.

Расширения включают в себя изменяющиеся во времени вероятности перехода (позволяющие вероятности переключения режимов в зависимости от ведущих индикаторов) и многовариантные переключения Маркова (объединяющие несколько временных рядов для определения общих фаз бизнес-циклов). Эти модели сыграли важную роль в датировании бизнес-цикла еврозоны и в анализе синхронизации циклов в странах в межвоенный период. Однако оценка может быть вычислительно интенсивной, и идентификация требует, по крайней мере, умеренных размеров выборки — ограничение, которое часто заставляет исторических исследователей использовать ежеквартальные или ежемесячные данные, когда они доступны, а не ежегодные наблюдения.

Практические проблемы применения эконометрики к историческим данным

Исторические данные представляют собой множество эконометрических проблем, которые требуют тщательной обработки. Доступность и качество данных широко варьируются: ранние национальные счета часто полагаются на косвенные прокси (например, железнодорожный тоннаж, банковские депозиты), которые могут быть неправильно измерены или непоследовательно определены с течением времени. Исследователи должны документировать эти ограничения данных и использовать проверки надежности, такие как переоценка моделей с альтернативными сериями, чтобы гарантировать, что выводы не являются артефактами ошибки измерения. Цифровые архивы, такие как платформа Федеральные резервные экономические данные (FRED) и База данных Макроистории NBER , значительно улучшили доступ к долгосрочным данным, но расхождения в измерениях остаются проблемой.

Структурные разрывы (например, войны, изменения в денежном режиме, промышленные революции) могут резко изменить основные экономические отношения. Стандартные тесты на структурную стабильность, такие как тест Чоу или тест Бай-Перрона на множественные разрывы, необходимы для выявления и адаптации этих разрывов. Игнорирование их может привести к вводящему в заблуждение выводу, такому как поиск ложной корреляции между деньгами и производством, которая на самом деле отражает смену режима. Анализ распределения образцов или подпериодов часто необходим, но снижает уже ограниченные степени свободы.

Ограниченные степени свободы также ограничивают сложность моделей. Исторические серии могут иметь только 50-100 ежегодных наблюдений, что значительно ограничивает количество параметров, которые могут быть оценены надежно. Это часто заставляет исследователей выбирать между простой моделью, которая может опустить соответствующую динамику, и сложной моделью, которая превосходит данные. Методы моделирования, такие как загрузка и байесовские методы, помогают смягчить эти предубеждения малых образцов. Кроме того, использование панельных данных - объединение нескольких стран или регионов - может увеличить эффективный размер выборки, но вводит зависимость поперечного сечения, которая должна быть смоделирована явно.

Наконец, эндогенность и обратная причинность являются распространенными в анализе бизнес-циклов. Например, изменения в политике могут быть вызваны экономическими спадами, что затрудняет изолирование причинно-следственного эффекта самой политики. Инструментальные переменные или структурные модели VAR с надежными идентифицирующими ограничениями (например, с использованием внешних инструментов, таких как погодные шоки для сельскохозяйственного производства) могут помочь решить эти проблемы, но такие инструменты часто скудны в исторических контекстах. Качественные исторические доказательства, включая нарративные документы и архивные записи, могут использоваться для создания правдоподобно экзогенных шоков — метод, пропагандируемый Ромером и Ромером в их анализе денежно-кредитной политики.

Тематические исследования исторических бизнес-циклов

Великая депрессия (1929-1939)

Великая депрессия является наиболее изученным событием бизнес-цикла в экономической истории, и эконометрический анализ был центральным для понимания его причин и распространения. Используя разложение временных рядов, авторы, такие как Кристина Ромер, показали, что реальный выпуск упал почти на 30% в Соединенных Штатах и что восстановление после 1933 года было удивительно медленным по сравнению с типичными расширениями. Модели VAR были использованы для количественной оценки относительной важности денежных шоков (например, банкротства банков и краха денежной массы) по сравнению с шоками на стороне спроса (например, тариф Смута-Хоули и последующее снижение торговли). Совсем недавно, модели Маркова помогли точно определить переход от глубокого спада к хрупкому восстановлению в 1933-1937 годах, период, осложненный реализацией политики Нового курса и поздней рецессией 1937-1938 годов.

К депрессии также был применен анализ интеграции: исследования взаимосвязи между оптовыми ценами и промышленным производством в разных странах свидетельствуют о том, что жесткость золотого стандарта передавала дефляционное давление во всем мире. Структурные тесты на разрыв подтверждают, что депрессия ознаменовала фундаментальный сдвиг в отношениях между производством и инфляцией, нарушив модели до 1929 года. Эти эконометрические результаты укрепили мнение о том, что быстрое и скоординированное вмешательство в политику - денежное расширение, спасение банков и фискальное стимулирование - было необходимо, чтобы избежать полного краха экономической системы.

Нефтяные шоки 1970-х годов

Скачки цен на нефть 1973 и 1979 годов вызвали серьезные рецессии в большинстве промышленно развитых стран и привели к «стагфляции» — одновременному возникновению высокой инфляции и высокой безработицы. Спектральный анализ квартальных данных о ВВП с 1960 по 1990 год показывает, что эти шоки ввели новый, среднечастотный компонент цикла, не присутствующий в более ранние послевоенные десятилетия. Тесты на интеграцию показали, что цены на нефть и инфляция имели долгосрочные отношения в течение этого периода, в то время как ECM оценивают, что корректировка на равновесие заняла примерно три года. Байесовские VAR, включающие глобальный индекс цен на сырьевые товары, также использовались для того, чтобы отделить последствия шоков предложения от последствий внутренней денежно-кредитной политики, заключая, что нежелание Федеральной резервной системы принять более высокую безработицу до 1979 года усугубило потери производства.

1970-е годы также проиллюстрировали трудность отличия временных перебоев в поставках от постоянных структурных сдвигов. Модели параметров с изменяющимися во времени обнаруживают постепенное снижение реакции инфляции на разрывы в выпуске после 1973 года, что согласуется с ростом инфляционных ожиданий и разбивкой более ранних отношений кривой Филлипса. Уроки этого периода непосредственно повлияли на разработку современных рамок центрального банка, включая явное таргетирование инфляции и использование шоковых фильтров предложения для руководства политическими решениями.

Глобальный финансовый кризис 2008 года

Кризис 2008 года был уникальным по своему происхождению — внезапная остановка межбанковского кредитования и обвал цен на жилье — но он имеет черты с более ранними финансовыми кризисами (например, паника 1907 года, банковские кризисы 1930-х годов). Анализ импульсного реагирования от VAR, оцениваемый по длинным историческим сериям (например, еженедельные финансовые данные Федеральной резервной системы с 1971 года и далее), показывает, что кредитные спреды и волатильность фондового рынка оказали большее и более устойчивое влияние на выпуск, чем в предыдущих спадах. В 2006 году произошла интеграция между ценами на жилье и ипотечным долгом, что стало сигналом раннего предупреждения. Марков, меняя модели, применяемые для совокупного промышленного производства для стран G7, обнаруживает синхронизированный переход к «кризисному режиму» в конце 2008 года, с продолжительностью рецессии намного дольше, чем в типичном послевоенном цикле.

Эти эконометрические выводы усилили призывы к макропруденциальному регулированию и контрциклическим буферам капитала. Они также подчеркивают важность мониторинга показателей финансового рынка, таких как разрыв между кредитами и ВВП, которые имеют прогностическую силу для банковских кризисов в исторических данных. Опыт 2008 года стимулировал разработку «систем раннего предупреждения» на основе моделей проби и алгоритмов машинного обучения, обученных на веках эпизодов финансового кризиса, демонстрируя сохраняющуюся актуальность анализа исторического бизнес-цикла для разработки политики.

Связь прошлых циклов с современной экономической политикой

Понимание исторических бизнес-циклов с помощью эконометрических линз напрямую информирует текущие политические рамки. Например, признание того, что финансовые кризисы часто приводят к медленному, безработице восстановления - очевидно как в Великой депрессии и кризис 2008 года - стимулировал интерес к автоматическим стабилизаторам, таким как расширенное страхование от безработицы и надежные программы рекапитализации банков. Уроки из стагфляции 1970-х годов подчеркивают важность доверия к центральному банку и передовые рекомендации в управлении инфляционными ожиданиями. В более широком смысле, систематический анализ исторических циклов породил модели, которые используют данные в реальном времени для отслеживания экономической активности в периоды быстрых изменений, инструмент, который оказался бесценным во время рецессии COVID-19.

Более того, эконометрическое исследование исторических бизнес-циклов подчеркивает, что глобальная экономика подвержена повторяющимся, хотя и нерегулярным, колебаниям, которые никакая тонкая настройка не может полностью подавить. Это смирение - признание того, что неопределенность и нелинейная динамика присущи - побуждает политиков к созданию устойчивости посредством диверсифицированной торговли, гибких рынков труда и финансового зала. Исторический анализ также поддерживает случай для контрциклической фискальной политики: измеряя размер фискальных мультипликаторов в разные эпохи и экономические условия, экономисты могут разрабатывать пакеты стимулов, которые являются своевременными и целенаправленными. Например, исследования с использованием исторических VAR предполагают, что расходы на инфраструктуру имеют более крупные мультипликаторы в глубоких рецессиях, чем в расширениях, открытие, которое формирует современный дизайн фискальных правил.

Наконец, интеграция эконометрической истории с оценкой политики привела к созданию крупномасштабных баз данных исторических макроэкономических и финансовых данных, таких как MeasuringWorth и Jordà-Schularick-Taylor Macrohistory Database. Эти ресурсы облегчают межстрановые сравнительные исследования и позволяют исследователям проверять внешнюю обоснованность политических рекомендаций, полученных только из последних данных.

Вывод: непреходящая ценность количественной истории

Эконометрические методы обеспечивают аналитическую структуру, необходимую для преобразования необработанных исторических записей в надежный отчет об экономических колебаниях. Разложение временных рядов, спектральный анализ, VAR, модели монетизации и переключение Маркова каждый предлагают уникальное окно в закономерности, причины и последствия прошлых бизнес-циклов. Проблемы качества данных, структурные разрывы и небольшие образцы реальны, но преодолимы с тщательной методологией и глубоким пониманием исторического контекста. Строгим тестированием теорий против доказательств прошлого эконометрическая история укрепляет основы макроэкономики и вооружает политиков знаниями, чтобы лучше ориентироваться в неопределенных циклах вперед.

По мере того, как вычислительная мощность и доступность данных продолжают расти, границы исторического анализа бизнес-циклов сместились в сторону более детальных и высокочастотных исследований - с использованием еженедельных финансовых данных, региональных серий занятости и даже текстового анализа исторических газет для построения индексов настроений. Эти инновации обещают углубить наше понимание динамики рецессии, соблюдая при этом основной принцип, что разумная политика опирается на доказательства, накопленные в течение многих циклов и десятилетий. Сочетание эконометрической строгости и исторической перспективы - это не просто академическое упражнение; это важный инструмент для построения более стабильной и процветающей глобальной экономики.