000001491 001__ 1491
000001491 005__ 20250211155827.0
000001491 0247_ $$a10.34989/swp-2008-34$$2DOI
000001491 035__ $$a10.34989/swp-2008-34
000001491 041__ $$aeng
000001491 084__ $$aC Mathematical and Quantitative Methods$$02849
000001491 084__ $$aC1 Econometric and Statistical Methods and Methodology: General$$02853
000001491 084__ $$aC11 Bayesian Analysis: General$$02855
000001491 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001491 084__ $$aE4 Money and Interest Rates$$03035
000001491 084__ $$aE43 Interest Rates: Determination, Term Structure, and Effects$$03039
000001491 084__ $$aE47 Forecasting and Simulation: Models and Applications$$03041
000001491 245__ $$aCombining Canadian Interest-Rate Forecasts
000001491 260__ $$bBank of Canada
000001491 269__ $$a2008
000001491 300__ $$a1 online resource (iv, 40 pages)
000001491 336__ $$aText
000001491 347__ $$bPDF
000001491 520__ $$aModel risk is a constant danger for financial economists using interest-rate forecasts for the purposes of monetary policy analysis, portfolio allocations, or risk-management decisions. Use of multiple models does not necessarily solve the problem as it greatly increases the work required and still leaves the question "which model forecast should one use?" Simply put, structural shifts or regime changes (not to mention possible model misspecifications) make it difficult for any single model to capture all trends in the data and to dominate all alternative approaches. To address this issue, we examine various techniques for combining or averaging alternative models in the context of forecasting the Canadian term structure of interest rates using both yield and macroeconomic data. Following Bolder and Liu (2007), we study alternative implementations of four empirical term structure models: this includes the Diebold and Li (2003) approach and three associated generalizations. The analysis is performed using more than 400 months of data ranging from January 1973 to July 2007. We examine a number of model-averaging schemes in both frequentist and Bayesian settings, both following the literature in this field (such as de Pooter, Ravazzolo and van Dijk (2007)) in addition to introducing some new combination approaches. The forecasts from individual models and combination schemes are evaluated in a number of ways; preliminary results show that model averaging generally assists in mitigating model risk, and that simple combination schemes tend to outperform their more complex counterparts. Such findings carry significant implications for central-banking analysis: a unified approach towards accounting for model uncertainty can lead to improved forecasts and, consequently, better decisions.$$7Abstract
000001491 520__ $$aLe risque de modèle présente un écueil constant pour les économistes financiers qui appuient leurs analyses de la politique monétaire, leurs choix de portefeuille ou leur gestion du risque sur des prévisions de taux d'intérêt. Le recours à de multiples modèles de prévision ne résout pas nécessairement le problème puisqu'il alourdit grandement les calculs et ne nous dit pas quelle prévision retenir. En un mot, les changements structurels ou de régime (sans oublier les erreurs de spécification possibles) font qu'il est difficile de représenter toutes les tendances qui se dégagent des données à l'aide d'un modèle unique, susceptible de dominer tous les autres. Pour y voir plus clair, les auteurs examinent diverses méthodes qui consistent à combiner, en les pondérant, les prévisions qu'ils obtiennent au sujet de la structure des taux d'intérêt canadiens à partir de différents modèles estimés au moyen de données relatives aux rendements et aux variables macroéconomiques. Conformément à l'approche de Bolder et Liu (2007), les auteurs étudient plusieurs façons de combiner quatre modèles empiriques de la structure des taux, soit le modèle de Diebold et Li (2003) et trois généralisations associées. Leur analyse met à contribution plus de 400 observations mensuelles allant de janvier 1973 à juillet 2007. Un certain nombre des combinaisons examinées relèvent des cadres fréquentiste et bayésien et s'inspirent de la littérature dans ce domaine (p. ex., Pooter, Ravazzolo et van Dijk, 2007), et d'autres sont nouvelles. Les prévisions tirées des modèles pris isolément et des combinaisons de modèles sont évaluées de différentes façons. Les résultats préliminaires montrent que le fait de combiner plusieurs modèles contribue en règle générale à réduire le risque de modèle, et que les schémas les plus simples tendent à donner de meilleures prévisions que les plus complexes. Ces résultats ont des conséquences intéressantes du point de vue des banques centrales : une approche unifiée de prise en compte de l'incertitude des modèles pourrait aboutir à des prévisions améliorées et, partant, à des décisions plus éclairées.$$7Résumé
000001491 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001491 6531_ $$aEconometric and statistical methods
000001491 6531_ $$aInterest rates
000001491 6531_ $$aMéthodes économétriques et statistiques
000001491 6531_ $$aTaux d'intérêt
000001491 7001_ $$aBolder, David
000001491 7001_ $$aRomanyuk, Yuliya
000001491 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001491 8301_ $$aStaff Working Paper
000001491 8301_ $$aDocument de travail du personnel
000001491 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1491/files/wp08-34.pdf$$9f0ad2c54-11c3-4da4-88d4-8407edf49d45$$s891773$$zFile Source: Bank of Canada website, 2024
000001491 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1491$$pbibliographic
000001491 980__ $$aStaff Research
000001491 980__ $$aRDM
000001491 991__ $$aPublic