Межстрановой опыт прогнозирования макроэкономических и кредитных кризисов и его применение для России

Экономическая интерпретация. С точки зрения экономической интерпретации полученные выводы означают следующее. Факторы, ответственные за предсказания сдвоенных кризисов (макроэкономических и кредитных) на уровне развитых стран, оказываются в значительной мере применимы и для России, страны с развивающейся экономикой К схожему выводу -- о применимости межстранового опыта к прогнозированию системных банковских кризисов в России -- приходили авторы исследования [Солнцев и др., 2011] в начале 2010-х годов.. Среди таких факторов прежде всего стоит отметить масштабы кредита, предоставляемого банковской системой населению и нефинансовым предприятиям. Наш анализ показал, что изменения масштабов банковского кредитования оказываются способными предсказывать сдвоенные кризисы как на сверхкоротких горизонтах (до одного квартала), так и на более длинных интервалах.

Отсюда можно заключить, что по мере дальнейшего расширения рынка банковского кредитования происходит накопление банками кредитных рисков. Последнее может происходить по разным причинам, например за счет положительных шоков предложения банковских кредитов в фазе экспансии кредитного цикла, что обычно приводит к неблагоприятному отбору заемщиков (то есть к росту доли неблагополучных заемщиков в их общем числе). В фазе экспансии банки могут преследовать цель повышения доли на рынке и вытеснения конкурентов, при этом не осознавая долгосрочных последствий «неблагоприятности» части своих новых заемщиков. Это становится очевидным, лишь когда такие заемщики перестают платить по кредитам. В результате банки оказываются вынуждены доначислять резервы под потери, сталкиваясь с сокращением собственного капитала. Шоки банковского капитала имеют негативные эффекты общего равновесия, хорошо изученные в литературе по макроэкономическим эффектам разрушения цепочек финансового посредничества. Среди прочих показателей, на которые стоит обратить внимание при прогнозировании сдвоенных кризисов в России, оказываются внутренние характеристики российской экономики и внешние переменные. Примечательно, что все эти показатели, как мы выяснили в ходе регрессионного анализа, непосредственным образом предсказывают приближение только рецессий. Однако они, в свою очередь, могут запустить механизмы хоть и не учтенные в явном виде в модели, но приводящие к кредитному сжатию (через учтенную трансмиссию макрошоков на кредитный рынок в рамках двумерной пробит-модели кризисов). В частности, повышение ставок денежного рынка и увеличение темпов роста ВВП повышают вероятность коррекции бизнес-цикла. Такими способами регулятор (например, Центральный банк России) может перейти к ограничительной денежно-кредитной политике, чтобы сгладить колебания бизнес-циклов. Это соответствует как теоретической, так и эмпирической литературе (см., например, [Gambetti, Musso, 2017]). Примечательно, что, когда мы учитываем ставку денежного рынка и динамику ВВП, информативность такого показателя, как спред процентных ставок, существенно сокращается.

4. Анализ устойчивости результатов

В этом разделе мы анализируем, насколько чувствительны наши основные выводы к выбору конкретной спецификации и к более длительным временным лагам объясняющих переменных. В частности, мы отражаем результаты оценки четырех дополнительных одно- и двумерных динамических пробит-моделей (см. Приложение В в онлайн-дополнении к статьеhttps://drive.google.com/file/d/1GWcJMlCLHXCAXxpqPSC49uqpriOYcVTk/view?usp=sharing.). Сначала мы заменяем квартальные приросты объясняющих переменных их годовыми аналогами (табл. В.1), тем самым снижая гибкость наших базовых моделей, но устраняя потенциальное влияние проблемы сезонности.

Оценив новые версии пробит-моделей, мы затем вычисляем их соответствующие прогнозные характеристики -- WSE, TPR(1) и TNR(0) -- как внутри выборки, так и вне ее (табл. В.2), -- и анализируем, улучшаются или ухудшаются эти характеристики по сравнению с базовой спецификацией. Далее мы переоцениваем наши модели с более глубокими лагами всех объясняющих переменных, чем в основной спецификации. В каждом из трех случаев мы снова вычисляем WSE, TPR(1) и TNR(0) и сравниваем их с исходными результатами.

Все дополнительные модели в целом подтверждают наш основной вывод. В условиях межстрановой выборки переход от комбинации двух одномерных к двумерной пробит-модели рецессий и кредитных кризисов приводит к существенному увеличению доли верно предсказанных кризисных событий. Это отмечается в выборке и вне выборки, при более низких издержках сокращения доли неверно предсказанных бескризисных событий. кредитный рецессия кризис экономический

Заключение

Что полезно для повышения эффективности заблаговременного предсказания рецессий и кредитных кризисов в России? В работе показано, что такой полезностью обладает применение опыта развитых стран по прохождению через такие сдвоенные кризисы (при определенных издержках). С технической точки зрения эффективен переход от комбинации принятых в литературе одномерных пробит-моделей каждого из кризисов по отдельности к одной двумерной пробит-модели с тем же составом объясняющих переменных. Последнее позволяет существенно улучшить совокупную эффективность прогнозирования сдвоенных кризисных эпизодов. В частности, было выявлено, что переход от одномерных моделей к двумерным улучшает долю верно предсказанных совместных кризисных событий на 16 п.п. При этом сокращение доли верно предсказанных бескризисных событий является менее существенным, на 7 п.п. Эти различия в полной мере объясняются учетом ненаблюдаемых сил, приводящих в действие бизнес- и кредитные циклы, которые мы учитываем через кросс-корреляцию между двумя ошибками в двумерной пробит-модели. В целом это согласуется с результатами работ, в которых отмечалось, что система пробит-моделей позволяет получить более высокое качество прогнозов для двойных (twin crises, [Falcetti, Tudela, 2008]) и тройных (triple crises, [Candelon et al., 2013]) кризисов. Для России было выявлено, что даже если ограничить временной интервал оценки наших межстрановых моделей периодом до 2012 года, они хорошо справляются с предсказанием кризиса, имевшего место в российской экономике в 2014-2015 годах. Это в еще большей степени подтверждает вывод: ключевые факторы рецессий и кредитных кризисов могут быть схожими в развитых странах и в России.

Литература

1. Ачкасов Ю. Модель оценивания ВВП России на основе текущей статистики: модификация подхода. Банк России. Серия докладов об экономических исследованиях. № 8. 2016.

2. Демидов О. Различные индексы прогнозирования экономической активности в России // Квантиль. 2008. № 5. С. 83-102.

3. Дубовский Д. Л., Кофанов Д. А., Сосунов К. А. Датировка российского бизнес-цикла // Экономический журнал Высшей школы экономики. 2015. Т 19. № 4. С. 554-575.

4. Пестова А. А. Предсказание поворотных точек бизнес-цикла: помогают ли переменные финансового сектора? // Вопросы экономики. 2013. № 7. С. 63-81.

5. Поршаков А. С., Пономаренко А. А., Синяков А. А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. 2016. № 2. С. 60-76.

6. Смирнов С. В., Кондрашов Н. В., Петроневич А. В. Поворотные точки российского экономического цикла 1981-2015 гг. // Экономический журнал Высшей школы экономики. 2015. Т. 19. № 4. С. 534-553.

7. Cолнцев О. Г., Пестова А. А., Мамонов М. Е., Магомедова З. М. Опыт разработки системы раннего оповещения о финансовых кризисах и прогноз развития банковского сектора России на 2012 г. // Журнал Новой экономической ассоциации. 2011. № 12. С. 41-76.

8. Стырин К., Потапова В. Опережающий индикатор ВВП РенКап-РЭШ: лучше и раньше. 2009. https://research.rencap.com/eng/download.asp?id=10506.

9. Ahrens R. Predicting Recessions with Interest Rate Spreads: A Multicountry RegimeSwitching Analysis // Journal of International Money and Finance. 2002. Vol. 21. No 4. P. 519-537.

10. Aikman D., Haldane A. G., Nelson B. D. Curbing the Credit Cycle // The Economic Journal.

2015. Vol. 125. No 585. P. 1072-1109.

11. Alessi L., Detken C. Identifying Excessive Credit Growth and Leverage // Journal of Financial Stability. 2018. Vol. 35(C). P. 215-225.

12. Antunes A., Bonfim D., Monteiro N., Rodrigues P M. M. Forecasting Banking Crises with Dynamic Panel Probit Models // International Journal of Forecasting. 2018. Vol. 34. No 2. P. 249-275.

13. Babecky J., Havranek T., Matejh J., Rusnak M., Smidkova K., Vasicek B. Banking, Debt, and Currency Crises in Developed Countries: Stylized Facts and Early Warning Indicators // Journal of Financial Stability. 2014. Vol. 15(C). P. 1-17.

14. Brunnermeier M. K., Sannikov Y. A Macroeconomic Model with a Financial Sector // American Economic Review. 2014. Vol. 104. No 2. P. 379-421.

15. Candelon B., Dumitrescu E. I., Hurlin C., Palm F. C. Multivariate Dynamic Probit Models: An Application to Financial Crises Mutation. Working Papers HAL. No 00630036. 2013.

16. Chodorow-Reich G. The Employment Effects of Credit Market Disruptions: Firm-Level Evidence from the 2008-9 Financial Crisis // The Quarterly Journal of Economics. 2014. Vol. 129. No 1. P. 1-59.

17. Christiansen C., Eriksen J. N., M0ller S. V. Forecasting US Recessions: The Role of Sentiment // Journal of Banking & Finance. 2014. Vol. 49(C). P. 459-468.

18. Claessens S., Kose M., Terrones M. How Do Business and Financial Cycles Interact? // Journal of International Economics. 2012. Vol. 87. No 1. P. 178-190.

19. Drehmann M., Borio C., Tsatsaronis K. Characterising the Financial Cycle: Don't Lose Sight of the Medium Term! Bank for International Settlements. Working Paper. No 380. 2012.

20. Estrella A., Mishkin F S. Predicting U.S. Recessions: Financial Variables as Leading Indicators // The Review of Economics and Statistics. 1998. Vol. 80. No 1. P. 45-61.

21. Falcetti E., Tudela M. What Do Twins Share? A Joint Probit Estimation of Banking and Currency Crises // Economica. 2008. Vol. 75. No 298. P. 199-221.

22. Gambetti L., Musso A. Loan Supply Shocks and the Business Cycle // Journal of Applied Econometrics. 2017. Vol. 32. No 4. P. 764-782.

23. GertlerM., KiyotakiN. Financial Intermediation and Credit Policy in Business Cycle Analysis // Handbook of Monetary Economics / B. M. Friedman, M. Woodford (eds.). 2011. Vol. 3. Amsterdam: Elsevier. P. 547-599.

24. GertlerM., KiyotakiN., Prestipino A. A Macroeconomic Model with Financial Panics // The Review of Economic Studies. 2020. Vol. 87. No 1. P. 240-288.

25. Harding D., Pagan A. Dissecting the Cycle: A Methodological Investigation // Journal of Monetary Economics. 2002. Vol. 49. No 2. P. 365-381.

26. He Z., Krishnamurthy A. A Model of Capital and Crises // The Review of Economic Studies. 2012. Vol. 79. No 2. P. 735-777.

27. Jorda O., Schularick M., Taylor A. When Credit Bites Back // Journal of Money, Credit and Banking. 2013. Vol. 45. No 2. P. 3-28.

28. Kaminsky G. L., Reinhart C. M. The Twin Crises: The Causes of Banking and Balance-of- Payments Problems // American Economic Review. 1999. Vol. 89. No 3. P. 473-500.

29. Kauppi H., Saikkonen P Predicting U.S. Recessions with Dynamic Binary Response Models // The Review of Economics and Statistics. 2008. Vol. 90. No 4. P. 777-791.

30. Liu W., Moench E. What Predicts US Recessions? // International Journal of Forecasting.

2016. Vol. 32. No 4. P. 1138-1150.

31. Lopez-Salido D., Stein J., Zakrajsek E. Credit-Market Sentiment and the Business Cycle // The Quarterly Journal of Economics. 2017. Vol. 132. No 3. P. 1373-1426.

32. NgE. C. Y. Forecasting US Recessions with Various Risk Factors and Dynamic Probit Models // Journal of Macroeconomics. 2012. Vol. 34. No 1. P. 112-125.

33. Nyberg H. Dynamic Probit Models and Financial Variables in Recession Forecasting // Journal of Forecasting. 2010. Vol. 29. No 1. P. 215-230.

34. Pestova A. A. Leading Indicators of the Business Cycle: Dynamic Logit Models for OECD Countries and Russia. HSE Working Papers. BRP 94/EC/2015. 2015.

35. Reinhart C. M., Rogoff K. S. The Aftermath of Financial Crises // American Economic Review. 2009. Vol. 99. No 2. P. 466-472.

36. Schularick M., Taylor A. Credit Booms Gone Bust: Monetary Policy, Leverage Cycles, and Financial Crises, 1870-2008 // American Economic Review. 2012. Vol. 102. No 2. P. 10291061.

Abstract

Joint Prediction of Turning Points in Credit and Business Cycles: Cross-Country Analysis

Mikhail E. Mamonov, Cand. Sci. (Econ.). MGIMO University (76, Ver- nadskogo pr., Moscow, 119454, Russian Federation); CERGE-EI, Charles University, Economics Institute of the Czech Academy of Sciences Prague 1, Czech Republic).

Anna A. Pestova, Cand. Sci. (Econ.). MGIMO University (76, Ver- nadskogo pr., Moscow, 119454, Russian Federation); CERGE-EI, Charles University, Economics Institute of the Czech Academy of Sciences Prague 1, Czech Republic).

Vera A. Pankova. Center for Macroeconomic Analysis and Short-Term Forecasting (47, Nakhimovsky pr., Moscow, 117418, Russian Federation); National Research University Higher School of Economics Moscow, Russian Federation).

Renat R. Akhmetov. Center for Macroeconomic Analysis and ShortTerm Forecasting Moscow, Russian Federation); National Research University Higher School of Economics Moscow, Russian Federation).

This paper provides a joint analysis of business and credit cycles with a focus on unobservable factors affecting both cycles, at the cross-country level. Using quarterly data for 19 developed countries and Russia for the period from 1994 to 2018, we build a system of two dynamic probit models, which includes a cross-correlation between the errors of the equations governing the probability of a recession and the probability of credit crisis. The results show that, first, our system allows us to correctly predict 91% of episodes of joint realization of macroeconomic and credit crises and 89% of non-crisis periods in the training sample, and 92% and 95% respectively in the testing sample. Second, switching from two independent regression models to a system of correlated equations significantly (by 16 percentage points) increases the share of correctly predicted crisis episodes while only slightly (by 7 percentage points) reducing the proportion of correctly predicted non-crisis episodes. Third, our system can predict an approaching crisis earlier, by 1-4 quarters, in comparison with similar single models. Our results complement the literature on forecasting recessions and credit crises. Fourth, it is revealed that the models which have been constructed on developed countries allow one to predict crisis events for Russia. The model we have constructed correctly predicts 100% of joint crisis episodes and 92% of joint non-crisis episodes in the training sample as well as 86% of joint crisis and 90% of joint non-crisis episodes in the testing sample for Russia.

Keywords: cross-country analysis, business cycles, credit cycles, bivariate dynamic probit, crisis prediction, in-sample forecasting, out-of-sample forecasting.

JEL: C34, G21, G33.

References

1. Achkasov Yu. Model' otsenivaniya VVP Rossii na osnove tekushchey statistiki: modifika- tsiya podkhoda [Nowcasting of the Russian GDP Using the Current Statistics: Approach Modification]. Bank Rossii, Seriya dokladov ob ekonomicheskikh issledovaniyakh [Bank of Russia, Economic Research Report Series], no. 8, 2016.

2. Demidov O. Razlichnye indeksy prognozirovaniya ekonomicheskoy aktivnosti v Rossii [Different Indexes for Forecasting Economic Activity in Russia]. Kvantil' [Quantile], 2008, no. 5, pp. 83-102.

3. Dubovskiy D. L., Kofanov D. A., Sosunov K. A. Datirovka rossiyskogo biznes-tsikla [Dating of the Russian Business Cycle]. Ekonomicheskiy zhurnal VShE [HSE Economic Journal], 2015, vol. 19, no. 4, pp. 554-575.

4. Pestova А. А. Predskazanie povorotnykh tochek biznes-tsikla: pomogayut li peremennye finansovogo sektora? [Predicting Turning Points of the Business Cycle: Do Financial Sector Variables Help?]. Voprosy ekonomiki, 2013, no. 7, pp. 63-81.

5. Porshakov A. S., Ponomarenko A. A., Sinyakov A. A. Otsenka i prognozirovanie VVP Rossii s pomoshch'yu dinamicheskoy faktornoy modeli [Nowcasting and Short-Term Forecasting of Russian GDP with a Dynamic Factor Model]. Zhurnal Novoy ekonomicheskoy assotsiatsii [Journal of the New Economic Association], 2016, no. 2, pp. 60-76.

6. Smirnov S. V., Kondrashov N. V, Petronevich A. V. Povorotnye tochki rossiyskogo eko- nomicheskogo tsikla 1981-2015 gg. [Dating Turning Points of the Russian Economic Cycle, 1981-2015]. Ekonomicheskiy zhurnal VShE [HSE Economic Journal], 2015, vol. 19, no. 4, pp. 534-553.

7. Solntsev O. G., Pestova A. A., Mamonov M. E., Magomedova Z. M. Opyt razrabotki sistemy rannego opoveshcheniya o finansovykh krizisakh i prognoz razvitiya bankovskogo sektora na 2012 g. [Experience in Developing Early Warning System for Financial Crises and the Forecast of Russian Banking Sector Dynamic in 2012]. Zhurnal Novoy ekonomicheskoy assotsiatsii [Journal of the New Economic Association], 2011, no. 12, pp. 41-76.

8. Styrin K., Potapova V. Operezhayushchiy indikator VVP RenKap-RESh: luchshe i ranshe [RenKapNES Leading GDP Indicator: Better and Earlier], 2009. https://research.rencap. com/eng/download.asp?id=10506.

9. Ahrens R. Predicting Recessions with Interest Rate Spreads: A Multicountry RegimeSwitching Analysis. Journal of International Money and Finance, 2002, vol. 21, no. 4, pp. 519-537.

10. Aikman D., Haldane A. G., Nelson B. D. Curbing the Credit Cycle. The Economic Journal, 2015, vol. 125, no. 585, pp. 1072-1109.

11. Alessi L., Detken C. Identifying Excessive Credit Growth and Leverage. Journal of Financial Stability, 2018, vol. 35(C), pp. 215-225.

12. Antunes A., Bonfim D., Monteiro N., Rodrigues P. M. M. Forecasting Banking Crises with Dynamic Panel Probit Models. International Journal of Forecasting, 2018, vol. 34, no. 2, pp. 249-275.

13. Babecky J., Havranek T., Mateju J., Rusnak M., Smidkova K., Vasicek B. Banking, Debt, and Currency Crises in Developed Countries: Stylized Facts and Early Warning Indicators. Journal of Financial Stability, 2014, vol. 15(C), pp. 1-17.

14. Brunnermeier M. K., Sannikov Y. A Macroeconomic Model with a Financial Sector. American Economic Review, 2014, vol. 104, no. 2, pp. 379-421.

15. Candelon B., Dumitrescu E. I., Hurlin C., Palm F. C. Multivariate Dynamic Probit Models: An Application to Financial Crises Mutation. Working Papers HAL, no. 00630036, 2013.

16. Chodorow-Reich G. The Employment Effects of Credit Market Disruptions: Firm-Level Evidence from the 2008-9 Financial Crisis. The Quarterly Journal of Economics, 2014, vol. 129, no. 1, pp. 1-59.

17. Christiansen C., Eriksen J. N., Moller S. V Forecasting US Recessions: The Role of Sentiment. Journal of Banking & Finance, 2014, vol. 49(C), pp. 459-468.

18. Claessens S., Kose M., Terrones M. How Do Business and Financial Cycles Interact? Journal of International Economics, 2012, vol. 87, no. 1, pp. 178-190.

19. Drehmann M., Borio C., Tsatsaronis K. Characterising the Financial Cycle: Don't Lose Sight of the Medium Term! Bank for International Settlements, Working Paper, no. 380, 2012.

20. Estrella A., Mishkin F. S. Predicting U.S. Recessions: Financial Variables as Leading Indicators. The Review of Economics and Statistics, 1998, vol. 80, no. 1, pp. 45-61.

21. Falcetti E., Tudela M. What Do Twins Share? A Joint Probit Estimation of Banking and Currency Crises. Economica, 2008, vol. 75, no. 298, pp. 199-221.

22. Gambetti L., Musso A. Loan Supply Shocks and the Business Cycle. Journal of Applied Econometrics, 2017, vol. 32, no. 4, pp. 764-782.

23. Gertler M., Kiyotaki N. Financial Intermediation and Credit Policy in Business Cycle Analysis. In: Friedman B. M., Woodford M. (eds.). Handbook of Monetary Economics. Amsterdam, Elsevier, 2011, vol. 3, pp. 547-599.

24. Gertler M., Kiyotaki N., Prestipino A. A Macroeconomic Model with Financial Panics. The Review of Economic Studies, 2020, vol. 87, no. 1, pp. 240-288.

25. Harding D., Pagan A. Dissecting the Cycle: A Methodological Investigation. Journal of Monetary Economics, 2002, vol. 49, no. 2, pp. 365-381.

26. He Z., Krishnamurthy A. A Model of Capital and Crises. The Review of Economic Studies, 2012, vol. 79, no. 2, pp. 735-777.

27. Jorda O., Schularick M., Taylor A. When Credit Bites Back. Journal of Money, Credit and Banking, 2013, vol. 45, no. 2, pp. 3-28.

28. Kaminsky G. L., Reinhart C. M. The Twin Crises: The Causes of Banking and Balance-of- Payments Problems. American Economic Review, 1999, vol. 89, no. 3, pp. 473-500.

29. Kauppi H., Saikkonen P. Predicting U.S. Recessions with Dynamic Binary Response Models. The Review of Economics and Statistics, 2008, vol. 90, no. 4, pp. 777-791.

30. Liu W., Moench E. What Predicts US Recessions? International Journal of Forecasting, 2016, vol. 32, no. 4, pp. 1138-1150.

31. Lopez-Salido D., Stein J., Zakrajsek E. Credit-Market Sentiment and the Business Cycle. The Quarterly Journal of Economics, 2017, vol. 132, no. 3, pp. 1373-1426.

32. Ng E. C. Y. Forecasting US Recessions with Various Risk Factors and Dynamic Probit Models. Journal of Macroeconomics, 2012, vol. 34, no. 1, pp. 112-125.

33. Nyberg H. Dynamic Probit Models and Financial Variables in Recession Forecasting. Journal of Forecasting, 2010, vol. 29, no. 1, pp. 215-230.

34. Pestova A. A. Leading Indicators of the Business Cycle: Dynamic Logit Models for OECD Countries and Russia. HSE Working Papers, BRP 94/EC/2015, 2015.

35. Reinhart C. M., Rogoff K. S. The Aftermath of Financial Crises. American Economic Review, 2009, vol. 99, no. 2, pp. 466-472.

36. Schularick M., Taylor A. Credit Booms Gone Bust: Monetary Policy, Leverage Cycles, and Financial Crises, 1870-2008. American Economic Review, 2012, vol. 102, no. 2, pp. 10291061.

Размещено на Allbest.ru