Macroeconomic Forecasting in Poland : Lessons from the External Shocks

• Autorzy: Jakub Rybacki , Michał Gniazdowski

Warianty tytułu

Prognozowanie makroekonomiczne : lekcje z szoków zewnętrznych

• Języki publikacji: EN

Abstrakty

EN

The aim of this paper is to analyse the forecast errors of Polish professional forecasters under the external shock of the COVID-19 crisis in 2020-based on the Parkiet competition. This analysis shows that after the initial disruption related to the imposed lockdown in March and April, commercial economists were able to lower their forecasts errors of the industrial production and retail sales. On the other hand, a far worse performance has been seen in the case of the market variable; either the size of errors or the disagreement were elevated throughout the whole of 2020. Furthermore, long- -term forecasts that were produced during the first year of the pandemic have been characterized with visible inconsistencies, i.e. forecasts of economic growth were similar when forecasters either assumed a strong increase in unemployment or when they did not. Economists made the biggest error in case of labour market forecasting. This phenomenon is likely related to the scarcity of information in the public statistics. Such problems are likely to repeat in the case of other external shocks, i.e. the forthcoming energy crisis. (original abstract)

Celem tego badania jest przedstawienie problemów związanych z prognozowaniem gospodarczym, które pojawiają się przy silnych szokach zewnętrznych, np. w okresie pandemii COVID-19 w 2020 r. Pandemia wywołała niespotykane dotychczas wahania zmiennych makroekonomicznych. Do ich śledzenia konieczne stało się m.in. analizowanie danych o bardzo wysokiej częstotliwości. Przykładowo progności związani z sektorem bankowym zaczęli publikować informacje dotyczące zagregowanych wydatków swoich klientów pochodzące z kart kredytowych. W pierwszej części badania analizujemy, jak ewoluowała niepewność dotycząca wskaźników miesięcznych na podstawie panelu prognoz miesięcznika Parkiet. Za pomocą prostego modelu szeregów czasowych pokazujemy, że po wstępnym szoku związanym z zamrożeniem aktywności gospodarczej w marcu i kwietniu ekonomistom udało się znaleźć metody, które pozwoliły ograniczyć niepewność prognoz dotyczących aktywności gospodarczej, np. produkcji przemysłowej czy sprzedaży detalicznej. Niemniej jednak zawodowi progności mieli duże problemy z prognozowaniem sytuacji na rynku pracy, prawdopodobnie z uwagi na mniejszą dostępność informacji oraz kształt statystyk publicznych prowadzonych przez Główny Urząd Statystyczny. W drugiej części odpowiadamy, czy prognozy długoterminowe charakteryzowały się efektywnością oraz czy ich rewizje były spójne i racjonalne. Przeprowadziliśmy testy statystyczne zaproponowane przez noblistę Williama Nordhausa oraz oszacowaliśmy model ilościowy analizujący interakcję między rewizjami. Badanie pokazuje, że występowały liczne przypadki nieefektywności, ponownie głównie w analizie sytuacji na rynku pracy. Szacunki spadku PKB były odklejone od ocen zmian zatrudnienia. Ekonomiści potrafili prognozować podobną skalę załamania przy założeniu dużego oraz niewielkiego wzrostu bezrobocia. Część rewizji była trudna do uzasadnienia na gruncie teoretycznym - np. analitycy pomniejszali prognozy wydatków konsumpcyjnych, jednocześnie pokazując lepsze długoterminowe perspektywy rynku pracy. Praca kończy się podsumowaniem wskazującym problemy dotyczące statystyki rynku pracy, które mogły powodować wymienione zjawiska. Główny Urząd Statystyczny bardzo rzadko analizuje sytuację osób pracujących na umowach zlecenia czy o dzieło, a tego typu zatrudnienie ulega największym zmianom podczas kryzysów. Częstsze badanie tych segmentów rynku pracy prawdopodobnie poprawiłoby jakość prognoz. W dyskusji zwracamy również uwagę na małe zaangażowanie środowiska akademickiego w prognozowanie podczas pandemii. Na początku pandemii COVID-19 powstał tylko jeden projekt, który próbował śledzić sytuację na rynku pracy (Diagnoza plus). To zdecydowanie mało. W naszej ocenie konieczna jest szeroka dyskusja nad systemem zachęt dla akademików, np. w postaci grantów Narodowego Centrum Nauki, który prowadziłby do większego zaangażowania w krytycznych momentach cyklu biznesowego dla polskiej gospodarki. Pomimo upływu ponad roku od opisywanych wydarzeń przedstawione problemy są nadal aktualne. Wojna w Ukrainie oraz potencjalny kryzys energetyczny w państwach Unii Europejskiej mogą spowodować wystąpienie problemów z prognozowaniem, analogicznych jak w czasach pandemii COVID-19. (abstrakt oryginalny)

Słowa kluczowe

EN

Macroeconomic forecasting; Pandemic; COVID-19; Economic shock; Gross domestic product (GDP); Labour market forecasting

PL

Prognozowanie makroekonomiczne; Pandemia; COVID-19; Szok gospodarczy; Produkt krajowy brutto (PKB); Prognozowanie rynku pracy

• Czasopismo: Bank i Kredyt
• Rocznik: 2023
• Numer: nr 1
• Strony: 45--64

Twórcy

autor

Jakub Rybacki

• Polish Economic Institute; University of Warsaw

autor

Michał Gniazdowski

Bibliografia

• Adam A.M., Gyamfi E.N. (2015), Time-varying world integration of the African stock markets: a Kalman filter approach, Investment Management & Financial Innovations, 12(3).
• Asafo-Adjei E., Anokye M.A., Adu-Asare Idun A., Ametepi P. (2022), Dynamic interdependence of systematic risks in emerging markets economies: a recursive-based frequency-domain approach, Discrete Dynamics in Nature and Society, April, 1-19, https://doi.org/10.1155/2022/1139869.
• Asgar A., Badhani K.N. (2021), Beta-anomaly: evidence from the Indian equity market, Asia-Pacific Financial Markets, 28(1), 55-78, https://doi.org.10.1007/s10690-020-09316-2.P.
• Aziz A., Wibowo S.S. (2020), Static vs time-varying beta of Fama-French five factors model in Indonesia and Thailand, Jurnal Manajemen dan Organisasi (JMO), 11(3), doi: 10.29244/jmo.v11i3.32445.
• Berardi A., Corradin S., Sommacampagna C. (2002), Estimating Value at Risk with the Kalman filter, Working Paper, Università di Verona, https://pdfs.semanticscholar. org/802c/37108162b8337e1b26a5873f4cff6bdd1e93.pdf.
• Black F., Jensen M.C., Scholes M. (1972), The capital asset pricing model: some empirical tests, in: M.C. Jensen (ed.), Studies in the Theory of Capital Markets, Praeger.
• Blume M.E. (1975), Betas and their regression tendencies, Journal of Finance, 30, 785-795.
• Chauveau T., Maillet B. (1998), Flexible least squares betas: the French market case, Pepers, 1998-03/fi, Cahiers de recherche, Caisse des dépôts et consignations.
• Choudhry T., Wu H. (2009), Forecasting the weekly time-varying beta of UK firms: comparison be tween GARCH models vs Kalman filter method, The European Journal of Finance, 15(4), 437-444, doi: 10.1080/13518470802604499.
• Cisse M., Konte M., Toure M., Assani I. (2019), Contribution to the valuation of BRVM's assets: a conditional CAPM approach, Journal of Risk and Financial Management, 12(1), https:// doi.org/10.3390/jrfm12010027.
• Das A. (2016), Higher order adaptive Kalman filter for time varying alpha and cross market beta estimation in Indian market, Economic Computation and Economic Cybernetics Studies and Research, 50(3), 211-228.
• Das A. (2019), Performance evaluation of modified adaptive Kalman filters, least means square and recursive least square methods for market risk beta and VaR estimation, Quantitative Finance and Economics, 3(1), 124-144, https://doi.org/10.3934/QFE.2019.1.124.
• Das A., Ghoshal T. (2010), Market risk beta estimation using adaptive Kalman filter, International Journal of Engineering Science and Technology, 2 (6), 1923-1934.
• Dębski W., Feder-Sempach E., Szczepocki P. (2020), Time-varying beta - the case study of the largest companies from the Polish, Czech, and Hungarian stock exchange, Emerging Markets Finance and Trade, 57(13), 3855-3877, https://doi.org/10.1080/1540496X.2020.1738188.
• Elshqirat M., Sharifzadeh M. (2018), Testing a multi-factor capital asset pricing model in 460 the Jordanian Stock Market, International Business Research, 11(9), 13-22, https://doi.org/10.5539/ ibr.v11n9p13.
• Ebner M., Neumann T. (2005), Time-varying betas of German stock returns, Financial Markets and Portfolio Management, 1, 29-46, https://doi.org/10.1007/s11408-005-2296-5.
• Ferson W.E., Harvey C.R. (1991), The variation of economic risk premiums, Journal of Political Economy, 99, 385-415.
• Ferson W.E., Harvey C.R. (1993), The risk and predictability of international equity returns, Review of Financial Studies, 6, 527-566.
• Frazzini A., Pedersen L.H. (2014), Betting against beta, Journal of Financial Economics, 111(1), https:// doi.org/10.1016/j.jfineco.2013.10.005.
• French J. (2016), Estimating time-varying beta-coefficients: an empirical study of US & ASEAN portfolios, Research in Finance, 32, 19-34, https://doi.org/10.1108/S0196-382120160000032002 .
• Fabozzi F.J., Francis J.C. (1978), Betas as a random coefficient, Journal of Financial and Quantitative Analysis, 13, 101-115.
• Gastadi M., Nardecchia A. (2003), The Kalman filter approach for time-varying β estimation, Systems Analysis Modelling Simulation, 43(8), 1033-1042, https://doi.org/10.1080/0232929031000150373.
• Hansen P.R., Timmermann A. (2012), Choice of sample split in out-of-sample forecast evaluation, Economics Working Papers, ECO2012/10, European University Institute.
• Hollstein F., Prokopczuk M. (2016), Estimating beta, Journal of Financial and Quantitative Analysis, 51(4), 1437-1466, https://www.repo.uni-hannover.de/bitstream/handle/123456789/4194/ Hollstein & Prokopczuk 2016, Estimating Beta.pdf?sequence=1.
• Kalman R.E. (1960), A new approach to linear filtering and prediction problems, Journal of Basic Engineering, 82(1), 35-45, https://doi.org/10.1115/1.3662552.
• Martinelli R. (1995), Market data prediction with an adaptive Kalman filter, Haiku Laboratories Technical Memorandum, 951201, http://www.haikulabs.com/mdpwakf.htm .
• Mergner S., Bulla J. (2008), Time-varying beta risk of pan-European industry portfolios: a comparison of alternative modelling techniques, The European Journal of Finance, 14(8), 771-802, https:// doi.org/10.1080/13518470802173396 .
• Miziołek T., Feder-Sempach E., Zaremba A. (2020), International Equity Exchange-Traded Funds, Palgrave Macmillan, https://doi.org/10.1007/978-3-030-53864-4.
• Nieto B., Orbe S., Zarraga A. (2014), Time-varying market beta: does the estimation methodology matter?, Statistics and Operations Research Transactions, 38(1), 13-42.
• Rockinger M., Urga G. (2001), A time varying parameter model to test for predictability and integration in stock markets of transition economies, Journal of Business and Economic Statistics, 19(1), 73-84.
• Schwert G.W., Seguin P.J. (1990), Heteroskedasticity in stock returns, The Journal of Finance, 45(4), 1129-1155.
• Sharpe W. (1964), Capital asset prices: a theory of market equilibrium under conditions of risk, Journal of Finance, 19(3), 425-442, https://doi.org/10.1111/j.1540-6261.1964.tb02865.x .
• Tsuji C. (2017), An exploration of the time-varying beta of the international capital asset pricing model: the case of the Japanese and the other Asia-Pacific Stock Markets, Accounting and Finance Research, 6(2), 86-93, https://doi.org/10.5430/afr.v6n2p86.
• Wells C. (1994), Variable betas on the Stockholm exchange 1971-1989, Applied Economics 4, 75-92, https://doi.org/10.1080/758522128.