Oleg Shibanov

Давайте поговорим о пользе кофе.

Вы помните, что отдельное исследование (вероятно) не самый точный способ понять научные знания о вопросе. Статья (2021) делает большое мета-объединение статей на выборке американских потребителей. Использовано 3,7 млн человек и разные причины смерти.

Результаты:
1) Потребление кофе фактически на всём интервале отрицательно связано со смертностью. Больше в день пьёшь - лучше в среднем работает организм. Причём это верно даже для сердечно-сосудистых заболеваний, что довольно неожиданно, хотя для них оптимум примерно 3-4 чашки;

2) Снижение смертности из-за американского стиля потребления кофе составило 6-12% по разным категориям причин.

Вывод: литрами наверное пить не надо, но пока наука скорее считает кофе полезным, чем вредным.

Факторная модель с одним регрессором: ещё новее, ещё лучше!

Статья (апрель 2024) предлагает создавать один риск-фактор для финансовых моделей при помощи теоремы Колмогорова-Арнольда. Именно, авторы показывают, что любой набор факторов в линейной модели может быть представлен как одна нелинейная функция от рисков. Дальше показано, как можно оценить эту неизвестную функцию (по сути аппроксимировать полиномом) и набор скрытых факторов.

Выводы: модель даёт описание доходностей лучше, чем другие факторные модели. Предсказания будущих доходностей и построенные по ним инвестиционные портфели дают хорошие среднемесячные доходности (около 0,7%) и Sharpe ratio более 1,5 в год.

ИИ и инфляция: что сильнее, спрос или предложение?

Статья (апрель 2024) исследует влияние развития искусственного интеллекта на инфляцию в теоретической модели. Основная идея довольно простая - если ИИ увеличит предложение сильнее, чем спрос, то инфляция замедлится; в противном случае она вырастет из-за повышения инвестиций и покупок граждан. Авторы стараются связать ИИ с повышением производительности в отраслях за счёт аккуратного подсчёта потенциального замещения человеческого труда.

Мне не нравятся две вещи:

1) Оценка роста производительности от внедрения ИИ крайне произвольная. Если ещё точнее - авторы калибруют модель так, чтобы средний рост "полной факторной производительности" (TFP "по Солоу") был бы равен 1,5% годовых за 10 лет. Но почему такое число? Например, в США за 2010-2019 вкл. рост составил всего 5,76% - менее 1% в год. За 2000-2019 рост также невелик, около 13% и снова менее 1% в год.

2) Вообще не учитывается возникновение "новых отраслей". Дело в том, что замена людей (например, в журналистике или сценариях) заставляет всех нас искать другую работу - и вероятно, что в менее производительной области, например, уход за пожилыми или доставка. В результате общие эффекты для экономики могут оказаться менее значительными, чем подразумевает привлекательность использования ИИ.

Вывод: ещё один интересный кирпичик, но пока ограниченные по содержанию результаты.

(А находить эти статьи можно тут: https://t.me/workingpaper)

Как не стоит работать с прогнозами (ВВП, курса, ставки, доходности акций).

Извините, если это неприятно читать, но я вынужден. Статья (2024) делает очень важное упражнение - пробует использовать несколько опережающих индикаторов из опроса предприятий Банка России для предсказания ВВП. Автор получает довольно хорошие результаты со значительным снижением ошибок прогноза.

В чём же тогда мои претензии? Посмотрите таблицу 5.

1) Вообще непонятно, как выглядят регрессионные модели. Нет ни одной формулы. ARIMA можно нарезать настолько по-разному! И где тут "нестационарные данные", зачем нужна I?

2) Как отработана сезонность? Или одни данные со снятой сезонностью, другие без? Как введены дамми кварталов? Используются винтажи или итоговые данные Росстата? Ничего нельзя понять из текста.

3) Нельзя, никогда, делать вывод по одной, двум, пяти точкам. В таблице 5 показаны прогнозы на 5 кварталов максимум. Это ровно пять точек. Если модель лучше на пяти точках, это лишь говорит, что не надо показывать такие результаты. Ищите способы расширить выборку, иначе получается почти бессмысленное сравнение.

Вывод: да, короткие ряды проблема, но надо как-то выкручиваться и не считать статистики прогноза по одной-пяти точкам. И пожалуйста пишите формулы регрессий, иначе совсем ничего не понять.

(А находить эти статьи можно тут: https://t.me/workingpaper)

Прогнозные модели Европейского Центрального банка: что дальше?

Большая сборка моделей ЕЦБ - в этой статье (2024). Интересны выводы авторов:

1) модели, которые используют Центральные банки, слишком стилизованные, не дают хорошего микроописания экономики, и едва ли смогут предсказывать/ловить кризисы. Более того, они не включали несколько драйверов инфляции 2021-23;

2) несмотря на это, качественная картинка из моделей полезная, а добавить к ним недостающие элементы оказалось несложно, и новые версии стали более адекватными;

3) они прямо говорят, что структура внутренней иерархии в ЕЦБ, доступа к моделям/данным, и принятия-непринятия новых типов моделей (того же машинного обучения) сильно влияет на возможность креатива. И прямо требуют аджайла на рабочем месте (!!!).

Вывод: пока старые методы требуют допиливания, а для использования новых может потребоваться "структурная перестройка". Я с командой в работе стараюсь и знакомиться, и применять современные методы.

(А находить эти статьи можно тут: https://t.me/workingpaper)