Phương pháp ước tính mới đạt được dự báo tối ưu khi thị trường trải qua sự phá vỡ cấu trúc

Trong kinh tế lượng và thống kê, sự phá vỡ cấu trúc được bộc lộ khi có một sự thay đổi đột ngột xảy ra trong cách thức hoạt động của doanh nghiệp hoặc thị trường. Nếu ta bỏ qua những sự phá vỡ này  thì việc dự báo có khả năng sẽ thất bại.

Nghiên cứu mới của Shahnaz Parsaeian, trợ lý giáo sư kinh tế tại Đại học Kansas, đề cập đến cách đưa ra một dự báo tối ưu (theo nghĩa là dự đoán sai số bình phương trung bình) trong trường hợp có thể xảy ra phá vỡ cấu trúc.

Bài báo của cô ấy, có tiêu đề “Dự báo tối ưu theo đột phá cấu trúc”, phát triển một công cụ ước tính kết hợp để dự báo ngoài mẫu trong phạm vi cấu trúc bằng cách đề xuất một phương pháp ước tính mới khai thác thông tin mẫu trước sự cố. Nó xuất hiện trên Tạp chí Kinh tế lượng Ứng dụng.

Parsaeian nói: “Chúng tôi đã thấy rất nhiều ví dụ về sự đổ vỡ trong thập kỷ qua.

“Ví dụ, cú sốc giá dầu là một ví dụ về sự phá vỡ cấu trúc ảnh hưởng đến tăng trưởng bên ngoài của đất nước. Hoặc bất cứ khi nào chúng tôi thay đổi chính sách thuế, nó ảnh hưởng đến quyết định đầu tư của các công ty. Ngay cả cú sốc COVID-19 xảy ra vào năm 2020 cũng thay đổi đáng kể cách thị trường đang hoạt động. “

Đồng tác giả với Tae-Hwy Lee và Aman Ullah, cả hai trường Đại học California, Riverside, Parsaeian tiết lộ một công cụ ước tính mới lạ kết hợp sử dụng công cụ ước tính mẫu đầy đủ (tức là cả dữ liệu cả trước và sau khi có điểm ngắt (break)) và một công cụ chỉ sử dụng dữ liệu sau khi có điểm ngắt. Công cụ ước tính mẫu đầy đủ không nhất quán nhưng hiệu quả khi có điểm ngắt và công cụ ước tính sau khi có điểm ngắt là nhất quán nhưng không hiệu quả. Do đó, tùy thuộc vào mức độ nghiêm trọng của sự phá vỡ cấu trúc, có thể kết hợp các công cụ ước tính mẫu đầy đủ và những công cụ ước tính sau điểm ngắt để cân bằng tính nhất quán và hiệu quả.

 “Một giải pháp phổ biến mà các học viên sử dụng khi thực hiện dự báo khi có sự phá vỡ cấu trúc – cho rằng sự phá vỡ đã xảy ra – là chỉ xem xét các quan sát sau điểm ngắt gần đây nhất. Giả sử lần phá vỡ gần đây nhất là COVID vào năm 2020. Người ta có thể xem xét các quan sát sau điểm ngắt này, sử dụng các quan sát đó để ước tính mô hình và sau đó sử dụng điều đó để dự báo. Nhưng có một vấn đề với phương pháp này bởi vì nếu có trường hợp như COVID mà chúng tôi chỉ có một vài quan sát sau điểm ngắt gần đây nhất, khi đó độ không chắc chắn trong ước tính cao do số lượng quan sát tương đối nhỏ trong mẫu sau điểm ngắt và điều đó ảnh hưởng trực tiếp đến hiệu suất của dự báo. Và sau đó câu hỏi là: Tại sao chúng ta nên bỏ qua toàn bộ tập dữ liệu quan sát mà chúng ta có trước điểm ngắt?”

Cách tiếp cận của Parsaeian khai thác các quan sát mẫu trước khi phá vỡ. Nghiên cứu của cô ấy về mặt lý thuyết và số lượng cho thấy phương pháp này vượt trội như thế nào so với trường hợp dựa vào dự báo với các quan sát sau điểm ngắt gần đây nhất.

“Không có chi phí khi sử dụng công cụ ước tính kết hợp mới này. Nó luôn mang lại dự báo tốt hơn nhiều. Hoặc trong trường hợp xấu nhất, nó hoạt động ngang bằng với công cụ ước tính sau khi phá vỡ, chỉ dựa vào công cụ mới nhất quan sát, “cô nói.

Là người gốc Iran, Parsaeian theo học chuyên ngành kỹ thuật máy tính khi còn học đại học. Nhưng ngay cả khi theo đuổi ngành kinh tế khi học cao học, cô ấy vẫn bị “ám ảnh bởi mã hóa máy tính” và tiếp tục áp dụng những kỹ thuật này trong nghiên cứu của mình.

“Trong quá trình nghiên cứu kinh tế lượng của mình, tôi đã quen với ý tưởng về tính trung bình của mô hình mà chúng ta có thể kết hợp các cách tiếp cận khác nhau. Sau đó, tôi nảy ra ý tưởng,” Tại sao không áp dụng các kỹ thuật lấy trung bình mô hình này cho các mô hình phá vỡ cấu trúc và xem liệu chúng ta có thể cải thiện dự báo không?

Parsaeian cho biết: “Chúng tôi luôn cần kiểm tra để có một điểm ngắt và dựa vào kết quả đó, sử dụng phương pháp dự báo thích hợp. Nếu không, dự báo sẽ không chính xác vì việc bỏ qua các điểm ngắt sẽ dẫn đến thất bại trong dự báo.”

Ngọc Bích (sưu tầm và dịch)

Nguồn: https://phys.org/news/2022-07-method-optimal.html

tiêu điểm
Comments (0)
Add Comment