Celem badania było sprawdzenie, czy uwzględnienie w modelu dynamicznym zmiennych o częstotliwości wyższej niż częstotliwość zmiennej objaśnianej statystycznie istotnie poprawia jakość (dopasowanie) prognoz makroekonomicznych. Prognozy makroekonomiczne wyznaczane były z modeli dynamicznych łączących zmiennie o zróżnicowanej częstotliwości znanych jako regresja MIDAS, następnie porównywane były z prognozami tych samych kategorii ekonomicznych uzyskanych z modeli DFM, ARIMA, VAR. Do oszacowania modeli, prognozowania krótkookresowego (horyzont prognozy h=1) i symulacji ośmiu sesji prognostycznych wykorzystano dane czasu rzeczywistego odnoszące się do gospodarki USA. Z przeprowadzonych badań wynika, że dynamiczny model MIDAS (AR-MIDAS) i model VAR dostarczyły najbardziej precyzyjnych prognoz, prognozy z modeli DFM i ARIMA okazały się statystycznie miej precyzyjne. Spośród dwóch klas modeli dostarczających najbardziej precyzyjnych prognoz (AR-MIDAS, VAR) jedynie AR-MIDAS wygenerował prognozy, prawidłowo przewidując wszystkie punkty zwrotne, cech tej nie miały prognozy VAR. Z tego powodu można rekomendować wykorzystanie modeli AR-MIDAS do prognoz typu now-casting.
Celem badania było sprawdzenie, czy zastosowanie w modelu danych o zróżnicowanej częstotliwości w postaci najnowszych dostępnych danych o częstotliwości miesięcznej jest w stanie polepszyć dokładność kwartalnych prognoz wybranych kategorii makroekonomicznych. Narzędziem badawczym były modele klasy MIDAS, DFM, ARIMA i VAR, przedmiotem porównań prognozy wyliczone na podstawie wymienionych modeli. Badanie zaplanowane zostało jako symulacja czterech sesji, każda o horyzoncie prognozy czterookresowym, każda dostarczająca prognoz ex ante. W tym celu konieczne było użycie zmiennych czasu rzeczywistego, co z uwagi na ograniczony dostęp do nieodpłatnych baz danych czasu rzeczywistego wymusiło badanie amerykańskiego PKB. Z przeprowadzonych badań wynika, że modele klasy MIDAS, w których możliwe jest bezpośrednie uwzględnienie najnowszych informacji miesięcznych, dostarczają bardziej precyzyjnych prognoz PKB jedynie dla prognoz formułowanych z jednookresowym wyprzedzeniem czasowym. Wraz ze wzrostem wyprzedzenia precyzja prognoz MIDAS maleje i jest statystycznie istotnie gorsza od prognoz uzyskanych z modeli VAR i DFM.
The article is a continuation of the previous author’s papers (2007, 2009, 2012) devoted to the optimal methods of forecasting Polish macroeconomic variables, with the sample of GDP. The research was aimed at a comparison of the quality of nowcasts (”fore-casts” of the present time) and forecasts prepared with a dynamic factor model with mixed frequency and data gaps handling (MFDG-DFM) proposed by Mariano and Murasawa [2003] and MIDAS model augmented with factor structure (DFM-MIDAS), described for the first time in the paper of Marcellino and Schumacher [2008]. Mathematical backgrounds of both models were presented and a combination of Kalman filter and Maximum likelihood estimation was hinted as the estimation framework for both of them. The gained results show an advantage of Mariano and Murasawa approach in the field of the forecasts (approx-imately 15% more adequate forecasts for 2 and more quarters ahead) but this model is less adequate than the competitor for one quarter ahead forecasts and nowcasts.
This paper aims to contribute to the existing studies on the Granger-causal relationship between volatility and liquidity in the stock market. We examine whether liquidity improves volatility forecasts and whether volatility allows the improvement of liquidity forecasts. The forecasts based on the mixed-data sampling models, MIDAS, are compared to those obtained from models based on daily data. Our results show that volatility and liquidity forecasts from MIDAS models outperform naive forecasts. On the other hand, the application of mixed-data sampling models does not significantly improve the performance of the forecasts of either liquidity or volatility based on a univariate autoregressive model or a vectorautoregressive one. We found that in terms of the forecasting ability, the VAR models and the AR models seem to perform equally well, as the differences in forecasting errors generated by these two types of models are not statistically significant.
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.