Essays on macroeconomic forecasting

Abstract

Esta tesis es una colección de tres ensayos empíricos con un enfoque en la previsión. El primer capítulo se centra en una importante tarea de política como previsión de la inflación. El trabajo tiene como objetivo investigar como la dinámica del ciclo económico puede afectar la distribución de las previsiones de inflación. El segundo capítulo considera dos modelos econométricos utilizados en la literatura de predicción inmediata y propone una comparación con una aplicación al PIB italiano. El último capítulo se centra en la previsión de los efectos de las emisiones de datos macroeconómicos sobre los tipos de cambio. El primer capítulo estudia como el ciclo económico afecta la distribución condicional de las previsiones de inflación de la zona del euro. Utilizando un enfoque de regresión de cuantiles, estimo la distribución condicional de la inflación para mostrar su evolución a lo largo del tiempo, lo que permite asimetrías entre cuantiles. Documentamos la evidencia de los riesgos a la baja de la inflación que varían en relación con la evolución del estado de la economía, mientras que el riesgo alcista se mantiene relativamente estable en el tiempo. También encuentro que esta evidencia caracteriza parcialmente la distribución correspondiente derivada de la Encuesta de pronosticadores profesionales del BCE. El segundo capítulo propone dos modelos econométricos multivariados que consideran dos características importantes en la literatura de predicción inmediata, como datos oportunos y de alta frecuencia, para predecir el PIB italiano, a saber, un modelo de factor dinámico y un VAR bayesiano de frecuencia mixta. Un ejercicio pseudo fuera de muestra demonstra tres resultados principales: (i) ambos modelos superan considerablemente a un estándar de referencia univariante estándar; (ii) el modelo de factor dinámico resulta ser más confiable al final del período de pronóstico mientras que el BVAR de frecuencia mixta parece superior con un conjunto de información incompleto; (iii) la superioridad del pronóstico general del modelo de factor dinámico se debe principalmente a su capacidad para captar la gravedad de los episodios de recesión. Finalmente, el tercer capítulo, escrito conjuntamente con Luca Brugnolini y Antonello D’Agostino, investiga la posible predecibilidad de las sorpresas macroeconómicas y sus efectos sobre los tipos de cambio. En particular, analizamos dos de los lanzamientos de datos más importantes que afectan el mercado financiero de EE. UU., Es decir, el cambio en el nivel de empleo nómina no agrícola (NFP) y el índice de manufactura publicado por el Instituto de Gerencia de Abastecimiento (ISM). Examinamos el componente inesperado de estos dos, medido por la desviación de la publicación real del Consenso de Bloomberg. Lo etiquetamos como la sorpresa del mercado e investigamos si su estructura es parcialmente predecible y en qué casos. En segundo lugar, utilizamos datos de alta frecuencia en el eurodólar como laboratorio para estudiar el efecto de estas sorpresas. Mostramos en un marco de regresión que, aunque el ajuste dentro de la muestra es suficientemente bueno, el rendimiento se deteriora en un entorno fuera de muestra porque un modelo ingenuo difícilmente puede superarse en una ventana de sesenta minutos después del lanzamiento. Para terminar, demostramos que bajo ciertas circunstancias existe una estructura que puede ser explotada y brindamos un marco para aprovecharla.

This thesis is a collection of three empirical essays with a focus on forecasting. The first chapter focuses on an important policy task as forecasting inflation. The work aims to investigate how the dynamics of the business cycle may impact the distribution of inflation forecasts. The second chapter considers two econometric models used in the nowcasting literature and propose a comparison with an application to the Italian GDP. The last chapter is centered around forecasting the effects of macroeconomic data releases on the exchange rates. The first chapter studies how the business cycle affects the conditional distribution of euro area inflation forecasts. Using a quantile regression approach, I estimate the conditional distribution of inflation to show its evolution over time allowing for asymmetries across quantiles. I document the evidence of downside risks to inflation which vary in relation to developments of the state of the economy while the upside risk remains relatively stable over time. I also find that this evidence partially characterizes the corresponding distribution derived from ECB Survey of Professional Forecasters. The second chapter proposes two multivarite econometric models that consider two important characteristics in the nowcasting literature, as timely and high frequency data, to predict Italian GDP, namely a dynamic factor model and a mixed-frequency Bayesian VAR. A pseudo out-of-sample exercise shows three main results: (i) both models considerably outperform a standard univariate benchmark; (ii) the dynamic factor model turns out to be more reliable at the end of the forecasting period while the mixed-frequency BVAR appears superior with an incomplete information set; (iii) the overall forecasting superiority of the dynamic factor model is mainly driven by its ability in capturing the severity of recession episodes. Finally, the third chapter, jointly written with Luca Brugnolini and Antonello D’Agostino, investigates the possible predictability of macroeconomic surprises and their effects on the exchange rates. In particular, we analyze two of the most important data releases that impact the US financial market, namely the change in the level of non-farm payroll employment (NFP) and the manufacturing index published by the Institute for Supply Management (ISM). We examine the unexpected component of these two, as measured by the deviation of the actual release from the Bloomberg Consensus. We label it as the market surprise, and we investigate whether its structure is partially predictable and in which cases. Secondly, we use high-frequency data on the eurodollar as a laboratory to study the effect of these surprises. We show in a regression framework that although the in-sample fit is sufficiently good, the performance deteriorates in an out-of-sample setting because a naive model can hardly be beaten in a sixty-minute window after the release. Finally, we demonstrate that under certain circumstances there is some structure that can be exploited and we provide a framework to take advantages of it.