Прогнозирование рисков: новый подход к синтезу экономических моделей

Автор: Денис Аветисян

Исследователи предлагают инновационный байесовский метод объединения прогнозов различных агентств для повышения точности и устойчивости в условиях экономической нестабильности.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Матрицы корреляции квантильных прогнозов, построенные для различных стран с использованием методов FDRQS, DRQS и DQLM1, демонстрируют взаимосвязь между этими подходами в оценке будущих значений.

В статье представлен байесовский фреймворк Factor DRQS, использующий квантильную регрессию и динамические факторные модели для синтеза прогнозов и оценки рисков.

Традиционные подходы к прогнозированию экономических показателей часто не учитывают неопределенность, связанную с экстремальными событиями. В данной работе, посвященной ‘Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk’, предложен новый байесовский метод — Factor DRQS — для синтеза квантильных прогнозов из множества моделей-агентов. Этот подход позволяет более точно оценивать риски и улучшает прогнозную способность, особенно в периоды экономической нестабильности, таких как пандемия COVID-19. Сможет ли разработанный фреймворк стать основой для создания более устойчивых и надежных моделей прогнозирования в условиях глобальной экономической неопределенности?

За пределами точечных прогнозов: синтез квантилей как отражение неопределённости

Традиционное прогнозирование зачастую концентрируется на получении единственной, наиболее вероятной оценки будущего значения, упуская из виду критически важную задачу — количественную оценку неопределенности. Вместо того чтобы предоставить лишь точечный прогноз, эффективное предвидение требует понимания диапазона возможных исходов и вероятности их наступления. Отсутствие учета неопределенности может привести к серьезным ошибкам в принятии решений, особенно в сферах, чувствительных к рискам, таких как экономика и финансы. Ограничиваясь точечными прогнозами, аналитики и лица, принимающие решения, лишаются возможности адекватно оценить потенциальные убытки и разработать стратегии управления рисками, что подчеркивает необходимость перехода к более сложным методам, учитывающим весь спектр возможных сценариев.

Понимание не только среднего прогноза, но и полного распределения вероятных исходов — квантилей — имеет решающее значение для принятия надежных решений в экономике и финансах. В отличие от точечных прогнозов, которые предоставляют лишь одну оценку будущего, анализ квантилей позволяет оценить риски, связанные с различными сценариями развития событий. Например, определение 5-го процентиля позволяет оценить наихудший сценарий, а 95-го — наиболее благоприятный. Это особенно важно для финансовых институтов и инвесторов, которым необходимо оценивать потенциальные убытки и принимать решения об управлении рисками. $P(X \le x_{0.05}) = 0.05$ — вероятность наступления события, не превышающего значение $x_{0.05}$ , составляет 5%. Такой подход обеспечивает более полную картину неопределенности и позволяет принимать более обоснованные решения, учитывающие весь спектр возможных исходов, а не только наиболее вероятный сценарий.

Существующие методы агрегации квантильных прогнозов, полученных от различных агентских моделей, сталкиваются со значительными трудностями. Это связано с тем, что стандартные подходы, такие как простое усреднение или взвешивание, часто не учитывают различия в калибровке и корреляции между моделями, приводя к неточным и ненадежным оценкам риска. В результате, возможности комплексной оценки вероятности различных сценариев, критически важной для принятия обоснованных решений в экономике и финансах, существенно ограничены. Неспособность эффективно объединять прогнозы, особенно в условиях высокой неопределенности, подчеркивает потребность в разработке новых, более совершенных методов, способных учитывать сложность и разнообразие агентских моделей для получения более реалистичной картины потенциальных рисков и возможностей.

Прогнозные квантили с 95% доверительными интервалами для [latex] au = 0.1, 0.5, 0.9[/latex] моделей FDRQS, DQLM1 и FQBART для Австралии, Японии, Швеции и США при [latex]h=1[/latex] точно соответствуют наблюдаемым темпам роста. — Прогнозные квантили с 95% доверительными интервалами для $au = 0.1, 0.5, 0.9$ моделей FDRQS, DQLM1 и FQBART для Австралии, Японии, Швеции и США при $h=1$ точно соответствуют наблюдаемым темпам роста.

DRQS: Основа для динамического объединения квантилей

Динамический регрессионный синтез квантилей (DRQS) использует байесовский предиктивный синтез для комбинирования прогнозов квантилей, полученных из различных источников. В основе подхода лежит агрегация вероятностных прогнозов, где каждый источник (например, отдельная модель или эксперт) предоставляет оценку определенного квантиля распределения. Байесовский синтез позволяет учесть неопределенность каждого источника, взвешивая их прогнозы на основе апостериорного распределения весов. Это позволяет создавать комбинированный прогноз квантиля, который является более надежным и точным, чем любой отдельный прогноз, особенно в условиях неоднородности данных и различий в производительности отдельных моделей. Такой подход обеспечивает гибкий механизм объединения информации и адаптации к изменяющимся условиям, что делает DRQS эффективным инструментом для задач прогнозирования, требующих оценки экстремальных значений или учета рисков.

DRQS является расширением динамической линейной модели квантилей (Dynamic Quantile Linear Model), предлагая более гибкий подход к моделированию изменяющихся во времени квантилей. В отличие от традиционных методов, которые часто предполагают постоянные квантили или используют фиксированные веса, DRQS позволяет квантилям варьироваться во времени в зависимости от наблюдаемых данных и использует байесовский подход для адаптивного взвешивания моделей-агентов. Это достигается за счет использования рекурсивной схемы обновления, где прогнозы квантилей комбинируются с учетом апостериорного распределения весов, что позволяет модели эффективно адаптироваться к изменяющимся условиям и повышать точность прогнозов на различных квантильных уровнях. $q_{t} = \sum_{i=1}^{N} w_{i,t} \hat{q}_{i,t}$ , где $q_{t}$ — комбинированный прогноз квантиля в момент времени t, $w_{i,t}$ — вес i-го агента в момент времени t, а $\hat{q}_{i,t}$ — прогноз квантиля от i-го агента.

В рамках DRQS асимметричное распределение Лапласа (Asymmetric Laplace Distribution, ALD) играет ключевую роль в синтезе квантильных прогнозов. ALD позволяет моделировать распределение вероятностей, не предполагая нормальности остатков, что особенно важно при работе с данными, имеющими “тяжелые хвосты” или асимметричное распределение. Функция плотности ALD определяется параметрами местоположения, масштаба и асимметрии, позволяя точно описывать квантильные прогнозы и обеспечивая робастную оценку, менее чувствительную к выбросам и аномалиям в данных, чем традиционные методы, основанные на нормальном распределении. $f(x; \mu, \sigma, \alpha) = \frac{1}{2\sigma} \exp(-\frac{x-\mu}{\sigma} (1 + \alpha(x-\mu)))$ , где μ — параметр местоположения, σ — масштаб, а α — параметр асимметрии.

Метод DRQS обеспечивает взвешенное комбинирование прогнозов отдельных моделей-агентов на основе принципов байесовского синтеза. Веса для каждой модели определяются автоматически в процессе обучения, учитывая их историческую производительность и корреляцию с другими моделями. Этот подход позволяет снизить влияние неточных или предвзятых прогнозов, повышая общую точность и надежность комбинированного прогноза по сравнению с использованием отдельных моделей или простых средних. Использование байесовского подхода обеспечивает естественный способ учета неопределенности в оценках весов, что особенно важно при работе с квантильными прогнозами.

Сравнение методов FDRQS, DRQS, DQLM1 и FQBART показывает, что прогноз распределения темпов роста для Австралии, Японии и США в 2014 и 2023 годах (с горизонтом в 1 час) соответствует наблюдаемым значениям, что демонстрирует их предсказательную способность.

FDRQS: Моделирование взаимосвязей между временными рядами с помощью факторов

Факторный Динамический Регрессионный Квантильный Синтез (FDRQS) является расширением модели DRQS и предназначен для моделирования взаимосвязей между временными рядами посредством включения латентной факторной модели. В отличие от DRQS, который рассматривает каждую временную серию независимо, FDRQS предполагает, что наблюдаемые ряды подвержены влиянию общих, ненаблюдаемых факторов. Эти факторы, представляющие собой скрытые драйверы, улавливают ковариацию между сериями, позволяя модели более эффективно прогнозировать квантили распределения. Включение факторной модели позволяет FDRQS учитывать общие тенденции и шоки, влияющие на несколько временных рядов одновременно, что повышает точность прогнозов, особенно в условиях высокой взаимозависимости между исследуемыми процессами.

Мультипликативный Гамма-процесс в FDRQS обеспечивает адаптивное взвешивание факторов, что позволяет модели динамически определять наиболее значимые драйверы поведения квантилей временных рядов. В отличие от фиксированных весов, Гамма-процесс назначает каждому фактору вес, определяемый вероятностным распределением, которое обновляется в процессе обучения модели. Это позволяет FDRQS автоматически сосредотачиваться на факторах, оказывающих наибольшее влияние на конкретный квантиль в конкретный момент времени, и уменьшать влияние менее релевантных факторов. Веса, полученные с помощью Гамма-процесса, являются случайными переменными, подчиняющимися гамма-распределению, что обеспечивает гибкость и позволяет модели эффективно адаптироваться к изменяющимся взаимосвязям между временными рядами и их квантилями. Таким образом, адаптивное взвешивание, обеспечиваемое мультипликативным Гамма-процессом, является ключевым фактором повышения точности квантильных прогнозов FDRQS.

Для эффективной оценки параметров и построения квантильных прогнозов модель FDRQS использует комбинацию методов фильтрации вперед-назад (Forward-Filtering Backward-Sampling, FFBS) и семплирования Гиббса (Gibbs Sampling). FFBS позволяет последовательно обновлять оценки скрытых факторов и параметров модели на основе поступающих данных временных рядов. Семплирование Гиббса, в свою очередь, используется для оценки распределений параметров, что позволяет получить не только точечные оценки, но и информацию о неопределенности прогнозов. Комбинация этих методов обеспечивает эффективную и надежную процедуру оценки, особенно в условиях многомерных временных рядов и сложных зависимостей между ними, позволяя получать точные квантильные прогнозы с оценкой их достоверности.

Модель FDRQS продемонстрировала превосходство в прогнозировании квантилей по сравнению с другими моделями, достигнув минимального значения кумулятивной общей оценки CRPS (RTCS). Особенно заметно улучшение результатов в период пандемии COVID-19 и после нее. Экспериментальные данные показали, что FDRQS обеспечивает более точные прогнозы в условиях высокой волатильности и неопределенности, характерных для этого периода, что подтверждается более низким значением RTCS по сравнению с альтернативными подходами к прогнозированию.

В рамках FDRQS агентные модели, такие как DQLM и FQBART, легко интегрируются в процесс синтеза прогнозов, предоставляя различные точки зрения на поведение временных рядов. Их прогнозы рассматриваются как дополнительные факторы в латентной факторной модели, позволяя FDRQS использовать информацию, полученную из разных источников и алгоритмов. Интеграция осуществляется посредством взвешенного усреднения прогнозов агентских моделей с учётом их вклада в объяснение дисперсии целевых переменных. Это позволяет модели адаптироваться к различным структурам данных и улучшить точность прогнозов, особенно в условиях неопределенности и изменяющейся динамики временных рядов.

В ходе сравнительного анализа прогностической точности, модель FDRQS демонстрировала превосходство в прогнозировании для отдельных стран. В большинстве стран, модель достигла наименьшего кумулятивного CRPS (RCS) — метрики, оценивающей точность квантильных прогнозов. Данный результат указывает на способность модели эффективно учитывать специфические характеристики и динамику каждой страны, обеспечивая более точные и надежные прогнозы по сравнению с альтернативными подходами.

Прогнозы квантилей с 95% доверительными интервалами для методов FDRQS, DQLM1 и FQBART показывают, что для Австралии, Японии, Швеции и США при [latex] au = 0.1, 0.5, 0.9[/latex] и [latex]h=1[/latex] наблюдаемые темпы роста успешно предсказываются. — Прогнозы квантилей с 95% доверительными интервалами для методов FDRQS, DQLM1 и FQBART показывают, что для Австралии, Японии, Швеции и США при $au = 0.1, 0.5, 0.9$ и $h=1$ наблюдаемые темпы роста успешно предсказываются.

Влияние и перспективы развития квантильного прогнозирования

Предлагаемый FDRQS-фреймворк представляет собой всесторонний и надежный подход к квантильному прогнозированию, превосходящий ограничения традиционных методов. В отличие от моделей, фокусирующихся исключительно на средних значениях, FDRQS позволяет оценивать весь спектр вероятных исходов, предоставляя более полную картину риска и неопределенности. Благодаря использованию факторной модели и строгой методологии оценки, данный подход демонстрирует повышенную устойчивость к выбросам и изменениям в данных, что особенно важно для прогнозирования в нестабильных экономических условиях. Это позволяет не только точнее предсказывать будущие значения, но и количественно оценивать вероятность наступления различных сценариев, что критически важно для принятия обоснованных решений в различных областях, начиная от управления рисками и заканчивая оптимизацией инвестиционного портфеля.

Предлагаемый подход к квантильному прогнозированию значительно расширяет возможности принятия обоснованных решений в различных сферах. В области управления рисками, точные прогнозы квантилей позволяют более адекватно оценивать потенциальные убытки и разрабатывать эффективные стратегии их минимизации. При оптимизации инвестиционного портфеля, учет квантильных прогнозов способствует формированию более устойчивых и прибыльных портфелей, учитывающих различные сценарии развития рынка. В сфере государственной политики, данный метод предоставляет инструменты для оценки вероятных последствий различных решений и выбора наиболее эффективных стратегий, учитывающих неопределенность и риски. Возможность количественной оценки вероятности различных исходов позволяет проводить более глубокий анализ и принимать решения на основе данных, а не интуиции.

Анализ продемонстрировал выраженную положительную корреляцию между квантильными прогнозами для различных стран, что свидетельствует об эффективности предложенной факторной структуры. Данный результат указывает на то, что модель успешно улавливает взаимосвязи между экономиками, используя общую информацию и транслируя ее в более точные прогнозы. В частности, наблюдается, что изменения в прогнозах для одной страны часто коррелируют с изменениями в прогнозах для других, что позволяет учитывать международные экономические связи и повышает надежность оценок рисков и возможностей. Такое межстрановое взаимодействие подтверждает, что модель способна извлекать пользу из глобальной экономической информации, а не рассматривает каждую страну изолированно.

Дальнейшие исследования в области FDRQS направлены на расширение возможностей модели для работы с данными высокой размерности и нелинейными зависимостями. Это предполагает разработку новых алгоритмов и техник, способных эффективно обрабатывать сложные наборы данных, где количество переменных значительно превышает количество наблюдений. Учет нелинейных взаимосвязей между факторами позволит повысить точность прогнозов квантилей, особенно в ситуациях, когда линейные модели оказываются недостаточно адекватными. Ожидается, что совершенствование FDRQS в этом направлении существенно расширит сферу её применения, позволяя более эффективно моделировать и прогнозировать риски в различных областях, от финансов и экономики до климатологии и здравоохранения. Улучшение способности модели к адаптации к сложным и динамичным системам станет ключевым фактором повышения её практической ценности и конкурентоспособности.

Исследования показывают, что объединение структуры FDRQS с методами машинного обучения открывает перспективы для создания адаптивных и персонализированных моделей квантильной прогнозирования. В частности, алгоритмы машинного обучения способны улавливать сложные нелинейные зависимости в данных, которые могут быть упущены традиционными статистическими подходами. Это позволяет модели FDRQS динамически адаптироваться к меняющимся рыночным условиям и индивидуальным предпочтениям, обеспечивая более точные прогнозы квантилей и, как следствие, улучшенное принятие решений в различных областях — от управления рисками до оптимизации инвестиционных портфелей. Интеграция с алгоритмами обучения с подкреплением, например, может привести к созданию систем, автоматически корректирующих свои прогнозы на основе обратной связи, что значительно повысит их эффективность в долгосрочной перспективе.

Сравнительный анализ методов FDRQS, DRQS, DQLM1 и FQBART показывает, что прогнозные распределения темпов роста в Австралии, Японии и США в 2014 и 2023 годах (с горизонтом планирования [latex]h=4[/latex]) позволяют оценить реальные значения темпов роста, отраженные вертикальными линиями. — Сравнительный анализ методов FDRQS, DRQS, DQLM1 и FQBART показывает, что прогнозные распределения темпов роста в Австралии, Японии и США в 2014 и 2023 годах (с горизонтом планирования $h=4$ ) позволяют оценить реальные значения темпов роста, отраженные вертикальными линиями.

Статья представляет собой попытку обуздать непредсказуемость экономических процессов, объединяя прогнозы различных моделей в единое целое. Это напоминает о том, как хрупки наши представления о мире. Как точно подметил Аристотель: “Мудрость состоит в том, чтобы знать, чего не знаешь.” В данном исследовании, динамическая байесовская регрессия квантилей (Factor DRQS) пытается уловить эту неуловимую неопределенность, особенно в периоды экономической нестабильности. Она словно признает, что абсолютной точности не существует, а лишь более или менее вероятные сценарии, объединенные в квантильные прогнозы. Подобный подход демонстрирует смирение перед сложностью мира и признание границ наших познаний.

Что же дальше?

Представленный подход, безусловно, добавляет ещё один слой сложности в искусство предсказаний. Улучшение точности квантильных прогнозов, особенно в периоды экономической турбулентности, — это, конечно, похвально. Однако, не стоит забывать, что любая модель — это лишь упрощение реальности, элегантная конструкция, которая рано или поздно столкнется с непредсказуемостью космоса. Оптимизация байесовского синтеза, применение мультипликативного гамма-процесса — всё это лишь инструменты, позволяющие ненадолго отсрочить неизбежное столкновение с данными, которые всегда окажутся богаче и сложнее любой теории.

Настоящий вызов, как представляется, заключается не в усовершенствовании отдельных алгоритмов, а в признании фундаментальной неопределенности, присущей экономическим процессам. Необходимо переосмыслить саму идею «точного» прогноза, сосредоточившись на построении устойчивых и адаптивных систем, способных функционировать в условиях постоянных изменений. В конце концов, физика — это искусство догадок под давлением космоса, и экономика — не исключение.

Будущие исследования, вероятно, будут направлены на объединение предложенного подхода с другими методами машинного обучения, а также на разработку более эффективных способов оценки неопределенности прогнозов. Но самое главное — помнить, что чёрная дыра — это не просто объект, это зеркало нашей гордости и заблуждений. И любая «великая универсальная теория» выглядит красиво на бумаге, пока не начнёшь смотреть в телескоп.

Оригинал статьи: https://arxiv.org/pdf/2603.11474.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-13 11:05