Polityka EBC i bańki na rynku nieruchomości.

Na początku grudnia wystąpiłem na konferencji NBP Recent trends in the real estate market and its analysis 2019 edition. Przedstawiłem artykuł, dyskutujący wpływ polityki Europejskiego Banku Centralnego (EBC) na dostępność mieszkań w Europie.

Główne wnioski:

  • W latach 2015-2018 oraz obecnie władze monetarne EBC prowadziły politykę luzowania ilościowego. Wspomniane okresy prowadziły od odklejenia się poziomu stóp procentowych od tych, które sugeruje tzw. reguła Taylora – nawet po uwzględnieniu problemu ograniczonych możliwości obniżania stóp (tzw zero lower bound) czy spadku długookresowej stopy procentowej.
  • Teoretycznie niższy poziom stóp procentowych prowadzi do niekorzystnych zjawisk społecznych np. wzrostu inflacji bądź narastania baniek na rynku aktywów. O ile pierwszy z problemów nie występował w ostatnich latach, drugi jest jak najbardziej obecny. Badanie pokazuje, że polityka pieniężna była po części bezpośrednią przyczyną wzrostu ryzyka bański spekulacyjnej mierzonego indeksami UBS w głównych europejskich miastach np. Frankfurt, Paryż, Monachium.
  • Reakcja ma jednak dość niejednorodny charakter – w Mediolanie efekty były zerowe, w Amsterdamie luźna polityka monetarna w zasadzie wspierała mniej zamożnych konsumentów (paradoksalnie taki wniosek potwierdza też inne badanie – szczegóły w artykule).

Dla ekonometryków - jak powstały obliczenia:

  • W pierwszym kroku policzyłem odchylenie tzw. stóp ukrytych (Wu-Xia shadow rates) or poziomów sugerowanych przez regułę Taylora. Zmienność naturalnej stopy procentowej została odwzorowana z wykorzystaniem modelu Fed Holston-Laubach-Williams (HLW)
  • Wspomniane odchylenia zostały przefiltrowane przez filtr Kalmana, sprawdziłem również czy zaburzeń nie generowały błędy prognoz inflacji bądź luki popytowej. W ten sposób otrzymałem odwzorowanie intencjonalnego odchylenia od poziomów sugerowanych przez reguły polityki monetarnej.
  • Ostatnim krokiem analizy była budowa modelu VAR opisującego wpływ rosnącego odchylenia poziomu ukrytych stóp procentowych od reguły Taylora na wzrost ryzyka banki na rynku nieruchomości na podstawie danych UBS.

Polityka forward guidance NBP - sukces i zobowiązanie.

Redakcja czasopisma NBP Bank i Kredyt opublikowała mój artykuł, opisujący skutki polityki komunikacyjnej prowadzonej przez polskie władze monetarne. Obliczenia wykonane zostały na podstawie kwartalnych ankiet prowadzonych wśród profesjonalnych analityków. Oto jego główne wnioski.

Główne wnioski:

  • Komunikowanie uczestnikom rynków swoich oczekiwań przez prezesa NBP / RPP pozwoliło na obniżenie niepewności dotyczącej kształtowania się stóp procentowych w przyszłości zarówno w 2013 roku oraz w okresie 2016-2019. Efekty bieżącej polityki komunikacyjnej były rozłożone w czasie – dopasowanie mediany prognoz analityków do wartości oczekiwanych przez władzę monetarne zajęło około roku.
  • Odejście od polityki komunikacyjnej w 2014 roku doprowadziło do nieproporcjonalnie wysokiego wzrostu niepewności analityków względem przyszłego kształtu stóp procentowych. Na okres ten nałożyły się spekulacje odnośnie kształtu współpracy RPP po tzw. aferze taśmowej, kiedy Prezes M.Belka w nagranej rozmowie obraził członków komitetu
  • Prowadzenie komunikacji z rynkami pozwoliło uciąć spekulacje odnośnie zmian w polityce pieniężnej podczas kryzysu wizerunkowego w ostatnim kwartale 2018 (tzw. Afera KNF), pomimo informacji prasowych sugerujących dymisję prezesa NBP.

Dla ekonometryków - jak powstały obliczenia:

Metodologia badania jest stosunkowo prosta – bazuje na prostym równaniu estymowanym metodą najmniejszych kwadratów. Model uzależnia niepewność odnośnie stóp procentowych od niepewności dla prognoz wzrostu PKB oraz dynamiki inflacji. Wydarzenia specjalne (np. wprowadzenie polityki forward guidance) są reprezentowane przez zmienne binarne.

Prognozy deficytu: Czy KE, MFW i OECD stosują podwójne standardy?

W ostatnich tygodniach opublikowałem badanie opisujące trafność prognoz fiskalnych trzech instytucji: Międzynarodowego Funduszu Walutowego (MFW), Komisji Europejskiej (KE) oraz Organizacji Współpracy Gospodarczej i Rozwoju (OECD) dla europejskich gospodarek w Working Papers Kolegium Analiz Ekonomicznych SGH. Ten artykuł przytacza jego główne wnioski.

Główne wnioski:

  • Analiza błędów prognoz fiskalnych nie daje podstaw do wyciągania wniosków, że "niepokorne" rządy np. węgierski Fidesz czy polski PiS są karane np. za otwarte konflikty w sprawie praworządności (Artykuł 7).
  • W mojej ocenie istnieje natomiast inny front po której przebiegają „podwójne standardy”. Badanie pokazuje systematyczny, nadmierny optymizm dla gospodarek najmocniej zadłużonych (głównie Portugalia i Hiszpania). Taki problem może być uzasadniony dwojako:
    • Międzynarodowe instytucje finansowe pokazują bezpieczny obraz, aby nie wywołać kryzysu zadłużenia na zasadzie samospełniającej się przepowiedni.
    • Organizacje te nadmiernie ufają w deklaracje rządów tych państw odnośnie prób konsolidacji fiskalnej. Hipoteza ta jest możliwa do zweryfikowania dla Komisji Europejskiej – w kwietniu niemal jednocześnie publikowana jest aktualizacja programu konwergencji oraz wyniki rundy prognostycznej KE
  • OECD oraz (w mniejszym stopniu) KE nadmiernie ufają w skuteczność procedury nadmiernego deficytu (EDP). Prognozy deficytu budżetowego w bieżącym roku dla krajów objętych mechanizmem są bardziej optymistyczne względem późniejszej realizacji. Istnieje systematyczne obciążenie dla krajów UE widoczne w momencie gdy przekroczyły one próg deficytu 3%PKB.
  • W prognozach fiskalnych występuje zdecydowana autokorelacja błędów tzn. jeżeli w ubiegłym roku dana instytucja była nadmiernie optymistyczna, z dużym prawdopodobieństwem tak samo będzie w bieżącym roku. Przyczyny tego problemu mogą leżeć po stronie decyzji osób sporządzających prognozy np. może powodować je niechęć do zmiany poglądów, nawet w obliczu faktów, które przeczą założeniom prognozy. Występowanie takiego zjawiska budzi duże zastrzeżenia co do wiarygodności prognoz.

Ponadto w artykule:

  • Zgodnie z intuicją, istnieje generalnie stabilna relacja między błędami w założeniach makroekonomicznych odnośnie wzrostu PKB, a finalnym błędem prognozy deficytu. W przypadku długookresowych prognoz dla europejskich rynków rozwijających się występują pewne niepożądane nieliniowości – większe zaskoczenia (np. dużo silniejszy wzrost) niekoniecznie generują proporcjonalne odpowiedzi ze strony deficytu.
  • Długookresowe prognozy w tej grupie mogą zawierać pewne myślenie życzeniowe, Instytucje międzynarodowe najprawdopodobniej zakładają większą chęć redukcji deficytu przez rządy narodowego podczas ożywienia gospodarczego i dobrej koniunktury, niż ma to miejsce w rzeczywistości. Analogicznie instytucje nadmiernie obawiają się spowolnienia w tych krajach.
  • Instytucje często prezentują jednak niespójny obraz między równowagą fiskalną, a równowagą zewnętrzną (bilansu płatniczego). Duża różnice w saldzie obrotów bieżących nawet w przypadku długookresowych prognoz nie wpływają na błędy prognoz salda finansów publicznych. Tymczasem teoria ekonomiczna daje mocne argumenty za występowaniem tzw. deficytów bliźniaczych (twin deficit theorem) – pogorszenie jednego z sald powinno generować deficyt także w drugim.

Dla ekonometryków - jak powstały obliczenia:

  • Podstawą do obliczeń jest prosty model panelowy tzw. efektów stałych. Tak naprawdę główna trudność badania polega na skompilowaniu bazy danych – do skonstruowania panelu potrzeba było skopiować dużo informacji z raportów w PDF.
  • Błędy prognoz fiskalnych wyjaśniane są za pomocą błędów założeń ekonomicznych (dynamika PKB, konsumpcji prywatnej oraz publicznej, wynagrodzeń, CPI, saldo obrotów bieżących jako %PKB). Dodatkowo wprowadziłem binarne zmienne kontrolne obrazujące okresy rządzenia poszczególnych gabinetów oraz obowiązywania procedury EDP.
  • Występowanie systematycznych obciążeń dla poszczególnych gospodarek zostało potwierdzone testem zbędnych efektów stałych (ang. Redundant fixed effects test).

Kontrowersyjny przykład - Polska i Czechy:

Od początku objęcia władzy przez PiS w Polsce (2015) do roku 2018 Komisja Europejska nieustannie rewidowała prognozy fiskalne w jednym kierunku – pokazując coraz lepszą sytuacje fiskalną kraju. Na chwilę obecną, istnieje dość powszechne przekonanie że deficyt był niższy dzięki skutecznemu uszczelnieniu poboru podatków. Czy nieufność KE do sukcesów działań rządu była unikatowa? Nie. Polska nie jest tu wyjątkiem. KE w podobnych okolicznościach nie wierzyła w poprawę salda finansów publicznych w Czechach.

Na wykresie poniżej znajduje się ewolucja prognoz deficytu dla Polski w zimowej rundzie prognoz Komisji Europejskiej. Wyższa wartość oznacza większą nadwyżkę / niższy deficyt. Ostatnia seria (październik 2018 - czarny marker) zawiera dane do roku 2017, prognozę od 2018 do 2020.  

Prognozy KE dla Polski -saldo budżetu jako %PKB

Wykres poniżej analogiczna ewolucja dla Czech (wykres poniżej). Deja vu? 

Prognozy KE dla Czech -saldo budżetu jako %PKB

Kontrowersyjny przykład 2 - Włochy i Francja:

We Włoszech MFW drastycznie zrewidował prognozy po objęciu władzy przez Ligę Północną oraz Ruch 5 Gwiazd (w Europie uważane za populistyczne rządy) – instytucja przestała prognozować obniżanie się deficytu w kolejnych latach, pomimo deklaracji, że rząd będzie respektować progi procedury nadmiernego deficytu. Wcześniej przez kilka lat z rzędu prognozy drastycznie myliły się co do skutków polityki gabinetu M.Renziego. Ewolucję prognoz przedstawia poniższy wykres:

Prognozy MFW dla Włoch -saldo budżetu jako %PKB

Niemniej jednak podobna zmiana prognoz (co do kierunku) nastąpiła we Francji.

Prognozy MFW dla Francji -saldo budżetu jako %PKB

Gwałtowna rewizja jest najprawdopodobniej efektem zmiany oczekiwań co do wzrostu w gospodarkach strefy euro, a niekoniecznie stronniczym wyrażeniem negatywnego stosunku do nowego gabinetu.

Finansowanie badania:

Projekt jest finansowany przez Narodowe Centrum Nauki w Polsce w ramach projektu: Analiza obciążenia błędów prognoz fiskalnych instytucji międzynarodowych dla wybranych gospodarek Unii Europejskiej. Nr. rej. 2018/29/N/HS4/00334

Indeks HICP nie jest zharmonizowany!

W Rocznikach Kolegium Analiz Ekonomicznych SGH ukazał się artykuł mojego autorstwa dotyczący problemów porównywalności statystyk inflacji HICP w Unii Europejskiej. Na podstawie analizy czynnikowej pokazuje duże anomalie w kilku wybranych kategoriach tj. ceny odzieży i obuwia, sprzętu telekomunikacyjnego oraz elektroniki użytkowej i produktów multimedialnych.

Główne wnioski:

  • Roczne dynamiki indeksu HICP są zaniżone w Polsce i Irlandii o kolejno 0,3pp oraz 0,2pp z uwagi na prezentowanie ciągłej deflacji cen odzieży. W Polsce tendencji spadkowej nie wykazują dostępne dane o cenach dóbr reprezentantów GUS.
  • W krajach skandynawskich oraz Austrii indeks wzrostu cen sprzętu telekomunikacyjnego jest istotnie wyższy niż w pozostałych krajach UE – uśredniając zaburzenia podwyższają HICP o 0,1pp rocznie. Ich struktura jest o tyle specyficzna, że odpowiadają za to obserwacje nietypowe a nie ciągły systematyczny błąd.
  • Według oficjalnych statystyk inflacja produktów elektronicznych charakteryzuje się dywergencją, pomimo że produkty te stanowią element handlu zagranicznego (co powinno wyrównywać ceny). W indeksach CPI/HICP zachodzą głębokie spadki podczas gdy ceny reprezentantów dostępne w Eurostat utrzymują się na jednolitych poziomach.

Ponadto w artykule:

  • Wskazuje przyczyny dla których inflacja raportowana przez urzędy statystyczne może nie odwzorowywać dokładnych zmian cen konsumenckich przedstawione przez amerykańską komisje Boskina.
  • Na podstawie informacji z baz danych Międzynarodowego Funduszu Walutowego pokazuje duże różnice w procedurach dopasowania o zmianę jakości przez urzędy statystyczne UE.
  • Prezentuje wyniki badań opisujące różnice między regresją hedoniczną tj. analizą ekonometryczną zmian cen na podstawie dużych zbiorów danych (będącą nowością w świecie statystki publicznej), a najbardziej rozpowszechnioną metodą tzw. Bridge overlapping.

Dla ekonometryków - jak powstały obliczenia:

  • Punktem wyjściowym dla analizy jest założenie, że długookresowy wzrost cen produktów dostępnych na jednolitym i efektywnym rynku, wyrażony w jednej walucie, powinien być taki sam dla każdego kraju, który uczestniczy we wspólnocie. Jest to najsłabsza forma tzw. prawa jednej ceny.
  • Krótkookresowo dynamikę inflacji w różnym stopniu mogą zaburzać globalne bądź regionalne szoki popytowe/podażowe, których oddziaływanie może być zróżnicowane na przestrzeni gospodarek. Na podstawie analizy głównych składowych (z ang. PCA – principal component analysis) wyodrębniłem serie, które przedstawiają takie wspólne tendencje. Wspomniane czynniki niestety nie mają podstaw teoretycznych ani prostej ekonomicznej interpretacji.
  • Przy użyciu standardowej regresji liniowej (z ang. OLS – ordinary least squares) obliczyłem ilościowy efekt każdego z czynników na inflacje. Następnie porównałem stałą z równania – jeżeli indeks byłby realnie zharmonizowany jej oszacowania powinny być zbliżone dla każdego kraju.
  • Tam, gdzie obserwuje ewidentne obserwacje odstające (outliers) uznaje, że spowodowane są efektami różnic metodologicznych. Wielkość zaburzenia w HICP obliczam jako różnice między medianą, a nietypową wielkością (pomnożone przez wagę kategorii w koszyku).

Kilka wykresów:

Motywacją dla przeprowadzenia analiz była zawartość poniższej tabelki. Wedle danych Eurostat ze stycznia 2006, ceny sprzętu telekomunikacyjnego w niektórych krajach UE potrafiły być prawie ośmiokrotnie droższe względem roku 2015, podczas gdy w innych różnica wynosiła 3,77% (pozycje Max i Min w tabeli - 100 oznacza średni poziom cen z 2015). Warto podkreślić również przeciwstawne tendencje - w niektórych krajach (Polska, Irlandia) ceny odzieży i obuwia notorycznie spadają, podczas gdy reszta UE wskazuje istotne wzrosty (w najwyższym przypadku od 2006 do 2015 z 68.6 do 100 dla odzieży).

Bez prowadzenia skomplikowanych analiz można dostrzec, że wzrost cen sprzętu telekomunikacyjnego w indeksie HICP w niektórych krajach jest jakościowo inny niż w pozostałych gospodarkach.

W Polsce najbardziej istotny pozostaje problem cen odzieży. Warto zauważyć, że GUS podejmuje działania służące poprawieniu metodologii. W przypadku sukcesu zmian wymienionych w odnośniku, dynamika indeksu powinna powrócić na poziomy zgodne z tymi obserwowany w UE do marca 2019 roku.

Z perspektywy całej UE największe rozbieżności obserwowane są w kategoriach związanych z elektroniką użytkową (kategoria 9.1 wg. klasyfikacji produktów konsumenckich COICOP). Na wykresie poniżej różnica między najniższą a najwyższą stopą wzrostu to 10pp.

Warto zwrócić uwagę, że odchylenia na przełomie kategorii są silnie zgrupowane. Jeżeli w którejś gospodarce np. ceny sprzętu komputerowego rosną szybciej niż u sąsiadów, najprawdopodobniej podobne zjawiska wystąpią w przypadku sprzętu fotograficznego i telewizorów.

Odrębnym problemem jest fakt, że bezpośrednie porównanie cen dóbr reprezentantów z tej grupy w kolejnych latach (bez dodatkowych dopasowań) wskazuje znacznie niższy spadek niż prezentują to indeksy HICP/CPI. Na wykresie poniżej średnia cena najbardziej popularnego monitora HD w latach 2012-2015 (Eurostat zbierał dane jedynie w tych latach, informacje wysyłała jednak jedynie część urzędów)

Dlaczego RPP nie udało się wygasić oczekiwań na podwyżki.

Rada Polityki pieniężnej w Polsce konsekwentnie od ponad roku komunikuje, że stopy procentowe pozostaną stabilne (bez zmian) w perspektywie około półtora roku. Taki pogląd popiera coraz większa grupa analityków, a pomimo to kontrakty terminowe ciągle wyceniają podwyżki stóp.

Wczoraj na konferencji SGH ERFIN pokazywałem, że analogiczne procesy zachodzą również w znacznie bardziej rozwiniętych gospodarkach skandynawskich (Szwecja, Norwegia) oraz Czechach. Kraje te publikują formalne ilościowe prognozy stóp procentowych w odpowiednikach polskiego raportu o inflacji, dzięki czemu możliwe jest przeprowadzenie badania statystycznego.

Przykład Szwecji pokazuje, że rynkowe oczekiwania względem stóp procentowych mogą trwale odkleić się od komunikowanej przez władze banku ścieżki stóp procentowych. Riksbank najpierw nie przekonał inwestorów do szybkich podwyżek stóp procentowych w latach 2011-2012. a następnie systematycznie prezentował w swoich prognozach niższy wzrost stóp procentowych niż wyceniała to szwedzka krzywa (lata 2015-2016). W obydwu epizodach wyceny rynkowe były znacznie bliższe oczekiwaniom wobec decyzji Europejskiego Banku Centralnego (EBC). Pokazuje to następujący wykres z mojego badania - implikowana ścieżka zmian stóp procentowych na panelu 1 (oczekiwania w Szwecji) jest znacznie bardziej podobna do tej na panelu 3 (oczekiwania wobec EBC) niż panelu 2 (projekcja banku centralnego).

Podobna sytuacja wystąpiła w Norwegii - bank w latach 2014 - 2016 prognozował znacznie niższy wzrost stóp procentowych niż uczestnicy rynków finansowych. Za powód takiego działania z czystym sumieniem można uznać oczekiwania koordynacji polityki z EBC - w tym samym czasie oczekiwano, że bank strefy euro będzie podnosić stopy procentowe.

Na tle Skandynawów prognozy Czechów są znacznie bardziej zmienne, niemniej i tam występują analogiczne problemy.

Wpływ oczekiwań na zmiany polityki EBC na krzywe w mniejszych gospodarkach europejskich można pokazać statystycznie, a szczególnie widoczny jest on począwszy od roku 2012. Jest to  okres kiedy główne banki centralne świata tj. Rezerwa Federalna USA, Europejski Bank Centralny czy Bank Anglii zaczęły komunikować swoje zamierzenia wobec zmian stóp procentowych w przyszłości (tzw. Forward Guidance). W małych gospodarkach po okresie około 6 kwartałów oczekiwane zmiany coraz mocniej zbiegają do ścieżki wytyczonej przez główny bank centralny (dla Skandynawów i Czechów jest to EBC). Skuteczność krajowych zamierzeń jest najwyższa w okresie do około roku

Dla statystyków: zależność pokazują podstawowe statystyki błędów (RMSE) oraz konserwatywny test Diebolda -Mariano. W pierwszym przypadku projekcja błąd projekcji Norges Banku (przerywana kreska) jest niższy  dla 2 i 3 kwartałów naprzód i rośnie mocno w horyzoncie ponad roku (znajduje się wyżej od czarnej kreski). Podobne wyniki potwierdza tabela - w ostatnim wierszu od ósmego kwartału test przyjmuje wartość niższą niż 0,05, co pozwala z 95% prawdopodobieństwem twierdzić, że zmiany stóp w strefie euro lepiej odzwierciedlają te zachodzące w małej gospodarce niż projekcja banku centralnego.

Wnioski:

W kontekście wymienionych badań decyzja prezesa NBP Glapińskiego, aby wycofywać się publicznego deklarowania prognoz na dłuższy horyzont (stopy bez zmian do końca 2020) jest moim zdaniem właściwa (jeżeli wpływ jest mniejszy to po co strzępić język), chociaż nie powinna mieć dużego wpływu na samą banku politykę.  W przypadku szerszych informacji polecam mój komentarz ING (po angielsku).

Z perspektywy banku centralnego takiego jak NBP problem wpływu oczekiwań na działania EBC ma jednak szersze implikacje dla małych gospodarek. Trwałe obniżenie długich stóp procentowych (np. 10 letnich obligacji) wymaga wprowadzenia niestandardowych instrumentów. Takie polityki generują większe ryzyko systemowe i mogą czynić gospodarkę bardziej podatną na wstrząsy. Dobrym przykładem jest obecne osłabienie węgierskich aktywów na tle regionu CEE w związku z obawami o konflikty handlowe/  problemy Turcji. 

Żródła:

Wyniki badania dla wszystkich krajów zapewne wkrótce pojawią się na stronie konferencji ERFIN , Publikacja w recenzowanych pismach naukowych to trochę długotrwały proces, niemniej o wydaniu całego artykułu poinformuje w osobnym poście.

Zakaz handlu w niedziele - jak wyglądają zakupy Polaków w skali makro

Począwszy od marca 2018 w Polsce wejdzie w życie częściowy zakaz handlu w niedziele. Początkowo obejmie dwie niedziele w miesiącu, w kolejnych latach rozszerzony zostanie na kolejne weekendy. Główne dylematy rozpatrywane w prasie dotyczą ewentualnych wyjątków od zakazu. Równie istotną informacją będzie jak zmienią się zachowania konsumenckie Polaków.

Celem tego artykułu jest oszacowanie jak wolumen sprzedaży w niedziele kształtuje się w porównaniu do pozostałych dni roboczych wśród: (1) sklepów niewyspecjalizowanych z dominującym udziałem żywności (czyli dyskontów/dużych marketów), (2) elektromarketów i sklepów ze sprzętem AGD, (3) sklepów odzieżowych., (4) drogerie i sklepy z chemią (5) sklepy tzw. wyspecjalizowane - urzędy statystyczne łączą w tej grupie dość szeroki przekrój branż (w jednej grupie zestawione są sklepy jubilerskie, kwiaciarnie, branża dziecięca, budowlana-meblowa oraz prasa). Do badania wykorzystane zostaną dane Eurostat (indeks w cenach stałych) w formie indeksu jedno-podstawowego (średni wolumen handlu dla roku 2010 = 100).

Analiza zmian sezonowych - narzędzia:

Do przeprowadzenia analizy wykorzystany zostanie algorytm wykrywania czynnika sezonowego TRAMO/SEATS w specyfikacji standardowo wykorzystywanej przez europejskie urzędy statystyczne (tzw. airline model z addytywną formą zaburzeń sezonowych). Wśród istotnych zmian, które należy uwzględnić są:

  • Efekt świąt Wielkanocnych - ruchomy charakter świąt (marzec-kwiecień) powoduje istotne zaburzenie (wysokie zakupy żywnościowe, zamknięcie pozostałych sklepów) podczas porównania z ubiegłym rokiem, jeżeli zmienia się miesiąc świętowania. Należy pamiętać także, że pojawienie się takiego zaburzenia wpłynie na przyszłoroczne szacunki przez tzw. efekt bazy statystycznej (w ujęciu r/r tj. głównej mierze publikowanej przez GUS).
  • Efekty roku przestępnego (ang. leap year) - raz na 4 lata luty ma 29 dni, co oznacza dodatkowy dzień funkcjonowania sklepów. Podobnie jak w poprzednim przypadku pojawienie się takiego zaburzenia podwyższy wartość dynamiki r/r w bieżącym roku oraz obniży ją w roku przyszłym (efekt bazy statystycznej).
  • Efekty dni kalendarzowych - w każdym miesiącu poza lutym występują 4 pełne tygodnie (w których występują wszystkie dni tygodnia) oraz dodatkowe ruchome 2-3 dni. Uwzględniając w specyfikacji algorytmu zmiany w układzie kalendarza można odpowiedzieć na pytanie jak kształtuje się handel w poszczególnych dniach tygodnia.

Wyniki:

Tabela z wynikami przedstawia się poniżej - w przypadku dni roboczych parametr identyfikuje o ile podwyższy się indeks w bieżącym okresie. Dodatni parametr oznacza wzrost wolumenu handlowego, ujemny negatywne. Aby wywnioskować jak zmieni się całkowita dynamika w ujęciu trzeba wprowadzić dodatkowe działanie:

 \text{dynamika r/r} = indeks_t / indeks_{t-12} * 100 - 100

W moim komentarzu na dole omawiane będą bezpośrednie zmiany w takim ujęciu (bowiem tak prezentuje je GUS).

Wpływ dni roboczych na wolumen sprzedaży - wg. kategorii sklepów

 Bez specjalizacjiBez specjalizacji (żywność)OdzieżRTV - audio, videoRTV - komputery, konsoleSpecjalistyczne (żywność)Chemia, lekrstwa, kosmetykiPozostałeE-commerce
Wielkanoc - baza-1.76
(0.15)
***
-1.83
(0.15)
***
0.19
(0.01)
***
0.50
(0.05)
***
0.61
(0.05)
***
-2.04
(0.16)
***
0.07
(0.04)
0.50
(0.04)
***
1.24
(0.09)
***
Wielkanoc2.98
(0.15)
***
3.06
(0.15)
***
-0.27
(0.01)
***
-0.61
(0.05)
***
-0.85
(0.05)
***
3.39
(0.16)
***
0.09
(0.04)
**
-0.69
(0.04)
***
-1.82
(0.09)
***
Poniedziałek0.24
(0.12)
**
0.19
(0.12)
0.07
(0.01)
***
0.42
(0.04)
***
0.67
(0.04)
***
0.22
(0.13)
0.54
(0.03)
***
0.53
(0.03)
***
0.67
(0.07)
***
Wtorek0.00
(0.12)
-0.05
(0.12)
0.10
(0.01)
***
0.48
(0.04)
***
0.75
(0.04)
***
-0.06
(0.13)
0.55
(0.03)
***
0.60
(0.03)
***
0.84
(0.07)
***
Środa0.20
(0.12)
0.15
(0.12)
0.08
(0.01)
***
0.44
(0.04)
***
0.69
(0.04)
***
0.17
(0.13)
0.56
(0.03)
***
0.55
(0.03)
***
0.72
(0.07)
***
Czwartek0.05
(0.11)
-0.01
(0.12)
0.09
(0.01)
***
0.46
(0.04)
***
0.73
(0.04)
***
0.00
(0.13)
0.54
(0.03)
***
0.58
(0.03)
***
0.80
(0.07)
***
Piątek0.29
(0.12)
**
0.24
(0.12)
**
0.07
(0.01)
***
0.42
(0.04)
***
0.66
(0.04)
***
0.27
(0.13)
**
0.55
(0.03)
***
0.53
(0.03)
***
0.66
(0.08)
***
Sobota-0.16
(0.12)
-0.15
(0.12)
-0.05
(0.01)
***
-0.30
(0.04)
***
-1.13
(0.04)
***
-0.31
(0.13)
**
-0.58
(0.03)
***
-0.85
(0.03)
***
-0.92
(0.07)
***
Niedziela0.16
(0.11)
0.18
(0.12)
-0.08
(0.01)
***
-0.39
(0.04)
***
-1.24
(0.04)
***
0.06
(0.13)
-0.59
(0.03)
***
-0.94
(0.03)
***
-1.14
(0.07)
***
Rok przestępny3.01
(0.26)
***
2.54
(0.26)
***
0.54
(0.03)
***
3.26
(0.08)
***
2.23
(0.08)
***
2.22
(0.29)
***
3.66
(0.08)
***
1.99
(0.07)
***
3.00
(0.16)
***
Rok przestępny - baza-0.52
(0.28)
-0.46
(0.28)
-0.05
(0.03)
**
-0.38
(0.09)
***
-0.24
(0.09)
**
-0.44
(0.31)
-0.46
(0.08)
***
-0.21
(0.08)
***
-0.29
(0.18)
W nawiasie odchylenie standardowe dla oszacowanego parametru, *** - istotność dla @=99%, ** - istotność dla @ = 95%

Badanie przedstawia, że zakupy spożywcze są najwyższe w momencie gdy dodatkowe dni kształtują się w przedziale: Poniedziałek-Środa i Środa-Piątek, przy czym najistotniejsze wsparcie dostarczają dni nieparzyste (Poniedziałek, Środa i Piątek). Sama skala jednak jest stosunkowo niska (0.3-0.4pp). Co zaskakujące wolumen handlu w weekend pozostaje zbliżony do pozostałych dni tygodnia (oszacowane parametry nie różnią się statystycznie od 0 z uwagi na duże odchylenie standardowe). Bardzo niewielką rolę efekty kalendarzowe odgrywają także w przypadku odzieży - różnica między dniami roboczymi, a weekendem nie przekracza 0,1pp.

Kalendarz odgrywa większe znaczenie w przypadku elektroniki. Nieco mniej intuicyjne pozostają jednak oszacowania dla kategorii związanych z dobrami trwałymi (RTV oraz pozostałe). W obydwu przypadkach różnica w indeksach między miesiącem z czwartkiem-piątkiem, a miesiącem z dodatkowym weekendem oznacza zmianę indeksu o prawie 4pp (na korzyść dni roboczych), a dynamiki w ujęciu rocznym o niewiele mniej niż 3pp. Taki szacunek wynika po części z mniejszej koncentracji obiektów handlowych -  istotna część sklepów przestaje oferować usługi. Drugim rozwiązaniem może być także rosnący udział handlu internetowego - według Eurostat wolumen w latach 2010-2017 wzrósł 3-krotnie (300%), podczas gdy tradycyjne sektory zanotowały maksymalnie 50% wzrost.

Z perspektywy makroekonomicznej rozbicie sezonowe nie dostarcza argumentów przemawiających za istotnym wzrostem zmienności danych GUS/ nowego trendu sezonowego. Regulacja zmieni natomiast strukturę rynków w skali mikroekonomicznej.

Dane o CPI, a rzeczywista inflacja - obciążenie coraz niższe?

Badania przeprowadzone w latach 90 jednoznacznie wskazywały, że inflacja raportowana przez urzędy statystyczne w Europie była istotnie niższa niż odczuwalne przez konsumentów zmiany cen.  Równocześnie tendencja ta ulegała zatarciu w ubiegłej dekadzie. Obecnie może mieć nawet odwrotny kierunek. Na podstawie prostych regresji opartych o badania ankietowe wśród gospodarstw domowych w Europie układa się wniosek, że różnica między odczuwalną inflacja, a raportowaną przez Eurostat w latach 1997-2017 obniżała się średnio o 0,078pp (punktu procentowego) w skali roku. W ostatnich latach błędy takiego modelu są jednak istotnie wyższe.

O problemach z mierzeniem inflacji:

Historycznie problem pomiaru różnicy między odczuwalną, a raportowaną inflacją był najmocniej eksploatowany w USA. W 1996 roku Komisja Kongresowa Boskina opublikowała szczegółowy raport, którego stwierdza, że dynamika CPI sporządzanego przez BLS jest zawyżona o 1.1pp. Autorzy przedstawili w nim cztery źródła błędu:

  • Substytucja dóbr - w momencie wzrostu cen konkretnego produktu (np. ulubionego jogurtu) konsumenci decydują na korzystanie z tańszych odmian podobnych zamienników (podobnego jogurtu u innego producenta). Odzwierciedlenie tych zmian następuje stosunkowo późno wśród badań urzędu - aktualizacja wag, lista produktów jakich ceny zbierają ankieterzy następuje raz na rok.
  • Zmiana miejsca zakupów - podobnie jak w poprzednim przypadku wzrost cen może zachęcić konsumenta do zmiany sklepu. Empirycznie znaczenie ma też tutaj wzrost znaczenia dyskontów/hipermarketów w stosunku do małych podmiotów, który prowadził do obniżenia rzeczywistych cen konsumenckich. Metodologia urzędów statystycznych kształtuje tu podobny błąd jak przypadku substytucji. W USA istotnym impulsem, który doczekał się analizy była ekspansja Wall-Mart.
  • Nieadekwatne traktowanie cen nowych produktów - tu posłużę się przykładem, problemem wśród niektórych cen odzieży (np. kurtki zimowej) jest oszacowanie jak ich ceny plasują się względem roku poprzedniego. Nie jest to proste zważywszy, że nowa kolekcja to inne produkty niż te które były w sprzedaży wcześniej (tym samym wymagana jest korekta ekspercka). Podobnie jak przy poprzednich czynnikach także w tym przypadku oczekiwane będzie zaniżanie inflacji.
  • Zmiana jakości produktów technologicznych czy samochodów - teoretycznie badając inflacje należy porównywać ile trzeba zapłacić za najbardziej powszechny (przeciętny) produkt w danym momencie. W przypadku cen samochodów, elektroniki czy produktów multimedialnych oznacza to umiejętność zmierzenia różnic cenowych między współczesnym modelem, a historycznym - konieczna jest tu odpowiedź na ile spadki cen starszych produktów wynikają bezpośrednio ze słabszych parametrów technicznych względem nowych odmian, a na ile jest to efekt inflacyjny. Nowością w świecie statystyki jest tzw. regresja hedoniczna - modelowanie relacji między ceną a parametrami produktu na dużym zbiorze danych statystycznych. Takie badania pokazują brak jednoznacznego kierunku obciążenia - wśród niektórych kategorii cen inflacja CPI mierzona przez urzędy jest wyższa, niż sugerują to modele hedoniczne,  w innych jest odwrotnie.

Zważywszy na konsolidacje rynków handlowych w rozwiniętych gospodarkach (spadek znaczenia błędu 2) oraz rozszerzający się udział produktów technologicznych w koszykach konsumenckich (większy wpływ błędów 4) należy oczekiwać coraz mniejszego obciążenia CPI w czasie. Problem ten widoczny był w literaturze naukowej - Artykuł Gordona powielający metodologie komisji Boskina dekadę później (w 2006) wskazuje, że oszacowanie obciążenia CPI było już o połowę mniejsze (0,6pp). Celem tego artykułu będzie pokazanie, że kierunek ten zmienił się w ostatnich latach (a przynajmniej w Europie).

Metody użyte w analizie:

Prowadzone analiza zawierać będzie prostą regresje inflacji HICP (w ujęciu rok do roku) w poszczególnych gospodarkach strefy euro. Zmienna wyjaśniana będzie za pośrednictwem indeksu oczekiwań inflacyjnych Eurostat, liniowego trendu oraz stałej. Naszym celem będzie pokazanie występowanie ujemnego trendu po pominięciu wpływu pozostałych zmiennych.

Najpierw jednak skąd się biorą dane z gospodarstw domowych - Eurostat prowadzi badania wśród reprezentatywnej grupy konsumentów. Respondenci odpowiadają na dwa pytania dotyczące zmian cen poszczególnych produktów: (1) Jak oceniasz kształtowanie się inflacji w poprzednich 12 miesiącach, (2) Jak oceniasz perspektywy dla inflacji w nadchodzących 12 miesiącach. Odpowiadający mogą udzielić jednej z  następujących odpowiedzi: (a) wzrosną mocno, (b) wzrosną umiarkowanie, (c) wzrosną lekko, (d) pozostaną bez zmian, (e) spadną, (f) nie wiem.

Wyniki są agregowane w postaci indeksu obliczanego na podstawie formuły:

 Index = Wzrost-mocny + \frac{1}{2}*Wzrost-umiarkowany-\frac{1}{2}*\text{Brak zmian}-Spadek

W przypadku Polski odpowiedzi respondentów i zagregowany indeks kształtują się następująco:

W idealnym świecie (tj. w takim gdzie urząd statystyczny bezbłędnie mierzy inflacje, a ewentualnie pomyłki mają charakter losowy) należy oczekiwać, że podobny poziom indeksu Eurostat będzie prowadził do takiej samej predykcji dynamiki inflacji. Tym samym nie będzie istniał żaden widoczny trend, a wartość drugiego parametru przyjmie 0.

Wyniki:

Zaprezentowany model będzie miał następującą formę:

 HICP (r/r) = \alpha_1+\beta_1 * \text{Ocena inflacji GD}+\beta_2 *@trend + e

Jego wyniki przedstawione są w następujących tabelach - prawie wszystkie parametry są silnie istotnie statystycznie (z jednym wyjątkiem), wśród równań występuje problem autokorelacji składnika resztowego (wynikającej np. z niedostatecznej liczby zmiennych objaśniających, niekoniecznie najlepiej dobranej formy funkcyjnej etc.) .

Kraj Belgia Bułgaria Dania Estonia Francja Włochy Litwa
Ocena Eurostat 0.05 (0.00)*** 0.12 (0.01)*** 0.04 (0.00)*** 0.08 (0.01)*** 0.03 (0.00)*** 0.03 (0.00)*** 0.17 (0.01)***
@TREND 0.00 (0.00)*** -0.05 (0.00)*** -0.01 (0.00)*** -0.02 (0.00)*** -0.01 (0.00)*** 0.00 (0.00)*** -0.05 (0.00)***
Stała 0.39 (0.13)*** 5.11 (0.58)*** 3.36 (0.10)*** 3.91 (0.30)*** 1.22 (0.07)*** 1.44 (0.10)*** 3.36 (0.30)***
*** - istotność  statystyczna dla alfa= 99%

 

Kraj Węgry Malta Holandia Polska Portugalia Słowenia Słowacja Finlandia Szwecja
Ocena Eurostat 0.08 (0.01)*** 0.03 (0.00)*** 0.03 (0.00)*** 0.07 (0.00)*** 0.04 (0.00)*** 0.05 (0.01)*** 0.11 (0.01)*** 0.05 (0.00)*** 0.06 (0.00)***
@TREND -0.05 (0.00)*** 0.00 (0.00)*** 0.00 (0.00)*** -0.01 (0.00)*** 0.00 (0.00)*** -0.03 (0.00)*** -0.02 (0.00)*** 0.00 (0.00) 0.00 (0.00)***
Stała 9.08 (0.46)*** 1.64 (0.41)*** 1.16 (0.20)*** 1.68 (0.22)*** 1.24 (0.18)*** 5.71 (0.31)*** 4.25 (0.54)*** 2.21 (0.10)*** 3.37 (0.11)***
*** - istotność  statystyczna dla alfa= 99%

Niemal wśród wszystkich gospodarek europejskich oszacowania trendu są silnie ujemne (wyjątkiem pozostaje Finlandia gdzie oszacowany parametr statystycznie nie różni się od zera, w innych gospodarkach mamy tzw. zera ujemne tzn. negatywne oszacowanie nie przekraczające -0.005, co w tabelce po zaokrągleniu daje 0.00). Jeżeli spojrzeć na medianę tych parametrów między krajami, kształtuje się ona na poziomie -0,0064, co oznacza roczny spadek rzędu -0,078pp (po pomnożeniu wartości razy 12).

Wnioski:

Powyższe ćwiczenie pokazuje, że takie same wskazanie indeksu dzisiaj, jak 20 lat temu prowadzić będzie do różnicy w poziomach CPI bliskiej 1.5pp (obecnie indeks kształtuje się niżej) niż dwie dekady temu). Oczywiście precyzja takiego badania jest niewielka - dokładne zbadanie tematu wymagać będzie przestudiowania danych na najniższym poziomie (cen poszczególnych produktów).

Matlab: Algorytmy Genetyczne/Klastrujące/ANN

Niniejsza paczka zawiera autorskie implementacje popularnych algorytmów kastrujących/genetycznych oraz przykład wykorzystania sieci neuronowych (można zobaczyć jak działa na studiach, ewentualnie dopasować do swoich baz w pracy). Paczka zawiera:

1. Algorytmy klastrujące:

  • Metoda K-means
  • Metoda K-Medoid
  • Metoda C-Means

2. Algorytmy Genetyczne

  • Standardowy Algorytm Genetyczny
  • Differential Evolution

3, Sieci neuronowe - przykład

Kod dostępny w: Matlab_algorithms

Niestety bez instrukcji.

Eviews: Eviews Eval

Eviews Eval to dość alchemiczne narzędzie, pozwalające na przyjrzenie się jak ewoluują prognozy modelu w momencie, kiedy dochodzą kolejne obserwacje. Makr obsługuje się wpisując kolejno:

  • nazwa_równania nazwa_zmiennej objaśnianej (rozdzielone spacją) - makro wprowadzi dwie grupy:
    • jedną z prognozami nazwana Eval_Forecasts (z prognozami)
    • drugą: Eval_Err (błędy prognoz).
  • Evaluated_Series_n oznacza prognoze modelu na n okresów do przodu (static forecast),EvalErr_Series_n błąd takiej prognozy.
  • Przed wykorzyzstaniem konieczne jest ustawienie w kodzie zmiennych secondObs (okres gdzie zaczynać się ma ewaluacja) i currentMonth (wskazującą ostatni okres gdzie znajduje się zanany y)

Dla wyczyszczenia efektów użycia makra wpisujemy:

  • 0 - uniwersalna sprzątaczka, czyści dwie grupy ułożone z pierwszego wykonania.

Makro można wykorzystać do:

  • Wyboru najlepiej prognozującego modelu
  • Oszacowania na ile parametry modelu są naprawdę stałe w czasie, oraz jak mocno ważą elementy AR, MA na wynik prognozy (czyli na ile okresów do przodu prognozowanie ma sens)
  • Odpowiedzi na pytanie czy błędy prognoz rzeczywiście są wolne od obciążenie + czy nie posiadają seznowoego przebiegu,
  • Korektę ekspercką wyniku z modelu

eviews_eval

Eviews: Total Effects

Total_Effects to makro dzięki któremu można zobaczyć, jaki jest ilościowy wpływ każdego z czynników (x-ów z równania) zawartych w modelu w danym momencie. Wyniki takie można łatwo skontrastować ze swoją intuicją, dzięki czemu wszelkie korekty są prostsze.

Total Effects - Paczka