Phương pháp dự báo xu hướng kinh tế

Một dự báo đáng tin cậy phải trả lời được bốn câu hỏi: nền kinh tế đang ở trạng thái nào, yếu tố nào đang thúc đẩy sự thay đổi, xu hướng có thể kéo dài bao lâu và điều gì có thể khiến dự báo sai lệch.

Vì vậy, kết quả tốt nhất không phải một con số duy nhất mà là một hệ thống gồm dự báo cơ sở, khoảng bất định, các kịch bản thay thế và cơ chế cập nhật khi thông tin mới xuất hiện. Cách tiếp cận này đặc biệt quan trọng khi nền kinh tế đối mặt với thay đổi chính sách, cú sốc địa chính trị, biến động giá hàng hóa hoặc đứt gãy cấu trúc mà dữ liệu lịch sử chưa phản ánh đầy đủ.

Dự báo xu hướng kinh tế thực chất là dự báo điều gì?

“Xu hướng kinh tế” có thể chỉ nhiều hiện tượng khác nhau. Trước khi chọn dữ liệu hoặc mô hình, người phân tích phải xác định chính xác biến mục tiêu.

Các biến thường được dự báo gồm:

·         Tăng trưởng GDP thực

·         Lạm phát tổng thể và lạm phát cơ bản

·         Sản xuất công nghiệp

·         Tiêu dùng và đầu tư

·         Việc làm, thất nghiệp và tiền lương

·         Xuất nhập khẩu và cán cân thương mại

·         Lãi suất, tín dụng và điều kiện tài chính

·         Chu kỳ mở rộng, giảm tốc, suy giảm hoặc phục hồi

Cần phân biệt dự báo mức độ với dự báo chiều hướng. Dự báo “GDP tăng 5%” là dự báo định lượng. Nhận định “đà tăng trưởng đang chậm lại” là dự báo xu hướng. Một chỉ báo có thể hữu ích để phát hiện điểm ngoặt nhưng không đủ chính xác để dự báo tốc độ tăng trưởng cụ thể.

Chỉ số dẫn dắt tổng hợp của OECD là một ví dụ. Chỉ số này được thiết kế để cung cấp tín hiệu sớm về các điểm ngoặt của chu kỳ kinh doanh quanh xu hướng dài hạn, chủ yếu mang ý nghĩa định tính chứ không phải dự báo trực tiếp một con số tăng trưởng.

Chọn chân trời dự báo

Phương pháp phù hợp phụ thuộc mạnh vào khoảng thời gian cần dự báo:

·         Hiện tại đến một quý: ưu tiên nowcasting và dữ liệu tần suất cao

·         Hai đến bốn quý: kết hợp mô hình chuỗi thời gian, chỉ báo dẫn dắt và phân tích chính sách

·         Một đến ba năm: ưu tiên mô hình kinh tế lượng có cấu trúc và các giả định vĩ mô nhất quán

·         Trên ba năm: sử dụng kịch bản cấu trúc thay vì kỳ vọng vào dự báo điểm chính xác

Chân trời càng dài, ảnh hưởng của chính sách, công nghệ, nhân khẩu học và thay đổi hành vi càng lớn. Khi đó, độ bất định tăng nhanh và việc trình bày nhiều kịch bản thường có giá trị hơn việc công bố một con số duy nhất.

Xác định trạng thái hiện tại của nền kinh tế

Muốn dự báo tương lai, trước hết phải ước lượng đúng hiện tại. Đây không phải nhiệm vụ đơn giản vì các chỉ tiêu quan trọng như GDP thường được công bố chậm và có thể bị điều chỉnh sau lần công bố đầu tiên.

Nowcasting giải quyết vấn đề này bằng cách sử dụng những dữ liệu mới công bố để ước lượng trạng thái kinh tế hiện tại hoặc tương lai rất gần. Dự báo được cập nhật liên tục khi các báo cáo về sản xuất, bán lẻ, lao động, giá cả hoặc khảo sát doanh nghiệp xuất hiện.

Xây dựng bảng theo dõi chỉ báo

Một bảng theo dõi cân bằng nên có bốn nhóm dữ liệu.

Nhóm chỉ báo	Ví dụ	Vai trò
Hoạt động thực	Sản xuất công nghiệp, bán lẻ, vận tải, tiêu thụ điện	Phản ánh sản lượng và nhu cầu hiện tại
Lao động	Việc làm, thất nghiệp, giờ làm, tiền lương	Đánh giá sức khỏe của thu nhập và nhu cầu
Giá cả	CPI, PPI, giá hàng hóa, giá nhập khẩu	Theo dõi áp lực lạm phát
Tài chính và kỳ vọng	Lãi suất, tín dụng, chênh lệch lợi suất, khảo sát PMI	Cung cấp tín hiệu sớm về điều kiện tương lai

Không nên đánh giá nền kinh tế bằng một chỉ báo riêng lẻ. Doanh số bán lẻ có thể tăng vì giá tăng thay vì lượng hàng bán tăng. Sản xuất có thể tăng tạm thời vì doanh nghiệp tích trữ hàng tồn kho. Thất nghiệp có thể ổn định trong khi số giờ làm và tuyển dụng mới đã suy yếu.

Một tín hiệu đáng tin hơn thường xuất hiện khi nhiều chuỗi dữ liệu độc lập cùng thay đổi theo một hướng.

Phân biệt dữ liệu cứng và dữ liệu mềm

Dữ liệu cứng đo lường hoạt động đã xảy ra, chẳng hạn sản lượng, doanh thu và việc làm. Dữ liệu mềm phản ánh kỳ vọng hoặc đánh giá qua khảo sát.

Dữ liệu mềm thường được công bố nhanh và có khả năng dẫn dắt, nhưng có thể chịu ảnh hưởng của tâm lý nhất thời. Dữ liệu cứng đáng tin hơn về hoạt động thực tế nhưng thường xuất hiện muộn. Mô hình nowcasting hiệu quả thường kết hợp cả hai loại thay vì chọn một loại duy nhất.

Nghiên cứu về nowcasting cho thấy tác động của từng thông tin mới phụ thuộc cả vào thời điểm công bố và hàm lượng kinh tế của nó. Vì vậy, người phân tích cần đo mức độ mà mỗi dữ liệu mới làm thay đổi dự báo, thay vì chỉ ghi nhận dữ liệu tốt hay xấu.

Phân loại chỉ báo theo quan hệ với chu kỳ

Một hệ thống dự báo hoàn chỉnh cần kết hợp chỉ báo dẫn dắt, đồng thời và trễ.

Chỉ báo dẫn dắt

Chỉ báo dẫn dắt có xu hướng thay đổi trước hoạt động kinh tế chung. Nhóm này thường gồm:

·         Đơn hàng mới

·         Giấy phép xây dựng

·         Kỳ vọng kinh doanh

·         Chênh lệch lợi suất

·         Điều kiện tín dụng

·         Giá tài sản

·         Số giờ làm

·         Đơn xin trợ cấp thất nghiệp mới

Chúng hữu ích để phát hiện điểm ngoặt nhưng dễ tạo tín hiệu giả. Giá cổ phiếu có thể giảm vì định giá thay đổi mà không dẫn đến suy thoái. Đường cong lợi suất có thể bị ảnh hưởng bởi chương trình mua tài sản hoặc nhu cầu tài sản an toàn.

Chỉ báo đồng thời

Chỉ báo đồng thời di chuyển gần với hoạt động kinh tế hiện tại:

·         Sản xuất công nghiệp

·         Doanh thu bán lẻ thực

·         Việc làm

·         Thu nhập thực

·         Vận tải hàng hóa

·         Tiêu thụ năng lượng của khu vực sản xuất

Chúng phù hợp để xác nhận nền kinh tế đang mở rộng hay thu hẹp.

Chỉ báo trễ

Chỉ báo trễ phản ứng sau khi xu hướng đã hình thành:

·         Tỷ lệ thất nghiệp

·         Nợ xấu

·         Một số loại lạm phát dịch vụ

·         Chi phí lao động

·         Tỷ lệ vỡ nợ doanh nghiệp

Các chỉ báo này không phải vô ích. Chúng giúp đánh giá mức độ bền vững của xu hướng và xác nhận tác động tích lũy của chu kỳ.

Tạo chỉ số tổng hợp

Thay vì đọc từng chuỗi riêng biệt, có thể chuẩn hóa các chỉ báo rồi tổng hợp thành một chỉ số:

[

Z_{i,t}=\frac{X_{i,t}-\mu_i}{\sigma_i}

]

Trong đó:

·         (X_{i,t}) là giá trị của chỉ báo (i) tại thời điểm (t)

·         (\mu_i) là giá trị trung bình lịch sử

·         (\sigma_i) là độ lệch chuẩn lịch sử

Chỉ số tổng hợp có thể được tính:

[

I_t=\sum_{i=1}^{n}w_iZ_{i,t}

]

Trong đó (w_i) là trọng số của từng chỉ báo.

Trọng số có thể bằng nhau, dựa trên độ tin cậy lịch sử hoặc được ước lượng bằng mô hình nhân tố. Tuy nhiên, chỉ số tổng hợp có thể che khuất sự phân hóa giữa các ngành. Vì vậy, cần kiểm tra cả chỉ số chung và các thành phần tạo nên nó.

Chuẩn bị dữ liệu trước khi xây dựng mô hình

Sai sót trong dữ liệu có thể làm hỏng dự báo ngay cả khi mô hình được thiết kế tốt.

Điều chỉnh yếu tố mùa vụ

Nhiều hoạt động kinh tế thay đổi theo mùa, kỳ nghỉ hoặc lịch sản xuất. So sánh tháng này với tháng trước mà không điều chỉnh mùa vụ có thể tạo ra tín hiệu sai.

Có thể sử dụng:

·         Chuỗi đã được cơ quan thống kê điều chỉnh mùa vụ

·         Tốc độ tăng so với cùng kỳ năm trước

·         Mô hình điều chỉnh mùa vụ chuyên dụng

Tăng trưởng cùng kỳ dễ tính nhưng phản ứng chậm với điểm ngoặt. Tăng trưởng tháng liền kề sau điều chỉnh mùa vụ nhạy hơn nhưng thường biến động mạnh.

Chuyển dữ liệu danh nghĩa thành dữ liệu thực

Doanh thu tăng không đồng nghĩa sản lượng tăng. Khi giá tăng mạnh, cần loại ảnh hưởng của giá bằng chỉ số giảm phát thích hợp:

[

Giá\ trị\ thực=\frac{Giá\ trị\ danh\ nghĩa}{Chỉ\ số\ giá}\times100

]

Việc dùng sai chỉ số giá có thể tạo ra xu hướng giả. Doanh số bán lẻ nên được điều chỉnh bằng giá tiêu dùng phù hợp, trong khi sản lượng ngành có thể cần chỉ số giá sản xuất riêng.

Đồng bộ tần suất dữ liệu

Dữ liệu kinh tế có thể được công bố theo ngày, tuần, tháng hoặc quý. Không nên tùy tiện lấy trung bình mọi chuỗi về cùng một tần suất vì cách tổng hợp phụ thuộc bản chất biến.

·         Biến dòng như doanh thu thường được cộng trong kỳ

·         Biến tồn lượng như dư nợ thường dùng giá trị cuối kỳ hoặc trung bình

·         Lãi suất có thể dùng trung bình kỳ

·         Khảo sát thường dùng giá trị tại kỳ công bố

Các mô hình tần suất hỗn hợp cho phép tận dụng dữ liệu tháng hoặc tuần để dự báo GDP quý mà không phải loại bỏ thông tin thời gian.

Sử dụng dữ liệu theo thời gian thực

Kiểm định mô hình bằng dữ liệu đã được điều chỉnh nhiều năm sau có thể tạo ra kết quả quá lạc quan. Tại thời điểm ra quyết định, người dự báo chỉ có phiên bản dữ liệu được công bố lúc đó.

Vì vậy, đánh giá nghiêm ngặt nên sử dụng dữ liệu thời gian thực hoặc các “vintage” dữ liệu lịch sử. Cách làm này phản ánh đồng thời sai số dự báo, độ trễ công bố và rủi ro điều chỉnh số liệu.

Lựa chọn mô hình dự báo

Không có mô hình tốt nhất trong mọi tình huống. Mô hình phù hợp phụ thuộc biến mục tiêu, chân trời dự báo, lượng dữ liệu, tính ổn định của quan hệ kinh tế và mục đích sử dụng kết quả.

Mô hình xu hướng đơn giản

Đường trung bình động, san bằng mũ và ngoại suy xu hướng phù hợp khi cần một chuẩn so sánh dễ hiểu.

Ưu điểm:

·         Dễ triển khai

·         Dễ giải thích

·         Ít yêu cầu dữ liệu

·         Hữu ích làm mô hình chuẩn

Hạn chế:

·         Phản ứng chậm tại điểm ngoặt

·         Không giải thích nguyên nhân

·         Dễ kéo dài một xu hướng đã sắp kết thúc

Mọi mô hình phức tạp nên được so sánh với một chuẩn đơn giản. Nếu không cải thiện sai số ngoài mẫu, độ phức tạp bổ sung có thể không mang lại giá trị.

Mô hình chuỗi thời gian

Các mô hình ARIMA, VAR và Bayesian VAR sử dụng cấu trúc trễ của một hoặc nhiều biến.

Một mô hình tự hồi quy đơn giản có dạng:

[

y_t=c \phi_1y_{t-1} \phi_2y_{t-2} \varepsilon_t

]

VAR mở rộng ý tưởng này sang nhiều biến, cho phép tăng trưởng, lạm phát, lãi suất và tín dụng tác động lẫn nhau.

Ưu điểm:

·         Khai thác tốt động lực lịch sử

·         Hữu ích cho dự báo ngắn hạn

·         Có thể định lượng phản ứng giữa các biến

Hạn chế:

·         Cần đủ số quan sát

·         Số tham số tăng nhanh

·         Quan hệ lịch sử có thể mất hiệu lực sau thay đổi chế độ chính sách

Bayesian VAR sử dụng phân phối tiên nghiệm để hạn chế việc ước lượng quá nhiều tham số, đặc biệt hữu ích khi số biến lớn so với độ dài chuỗi dữ liệu.

Mô hình nhân tố động

Mô hình nhân tố động rút gọn hàng chục hoặc hàng trăm chuỗi dữ liệu thành một số nhân tố chung đại diện cho trạng thái nền kinh tế.

Cấu trúc khái quát:

[

X_t=\Lambda F_t e_t

]

Trong đó:

·         (X_t) là tập hợp chỉ báo quan sát

·         (F_t) là các nhân tố kinh tế chung

·         (\Lambda) là mức độ mỗi chỉ báo phản ánh nhân tố

·         (e_t) là thành phần riêng của từng chuỗi

Mô hình này phù hợp với nowcasting vì có thể kết hợp dữ liệu có tần suất và lịch công bố khác nhau. Các nghiên cứu của Cục Dự trữ Liên bang Mỹ cho thấy khung nhân tố có thể cập nhật ước lượng GDP và lạm phát khi luồng dữ liệu mới xuất hiện.

Mô hình hồi quy với chỉ báo kinh tế

Mô hình hồi quy liên kết biến cần dự báo với các yếu tố giải thích:

[

g_{t h}=\alpha \beta_1x_{1,t} \beta_2x_{2,t} \cdots \beta_kx_{k,t} \varepsilon_t

]

Trong đó (g_{t h}) có thể là tăng trưởng sau (h) kỳ.

Ưu điểm là dễ giải thích đóng góp của từng biến. Tuy nhiên, tương quan không nhất thiết thể hiện quan hệ nhân quả. Hệ số cũng có thể thay đổi khi chính sách, cấu trúc ngành hoặc hành vi của doanh nghiệp thay đổi.

Mô hình kinh tế vĩ mô có cấu trúc

Các mô hình bán cấu trúc và DSGE mô tả những quan hệ như:

·         Tổng cầu và khoảng cách sản lượng

·         Lạm phát và chi phí biên

·         Chính sách tiền tệ và lãi suất thực

·         Tỷ giá và thương mại

·         Kỳ vọng của hộ gia đình, doanh nghiệp và thị trường

Ưu điểm lớn nhất là tính nhất quán kinh tế. Người phân tích có thể kiểm tra tác động của cú sốc lãi suất, giá dầu, cầu nước ngoài hoặc chính sách tài khóa trong một hệ thống quan hệ rõ ràng.

Các hệ thống phân tích và dự báo chính sách dựa trên mô hình thường tạo một kịch bản cơ sở nhất quán cho triển vọng ngắn và trung hạn, đồng thời xây dựng các phương án thay thế.

Hạn chế là kết quả phụ thuộc vào giả định lý thuyết và cách hiệu chỉnh tham số. Mô hình có thể bỏ sót những cơ chế chưa được mã hóa, đặc biệt trong khủng hoảng.

Mô hình học máy

Random forest, gradient boosting, mạng nơ-ron và các phương pháp regularization có thể phát hiện quan hệ phi tuyến hoặc tương tác phức tạp.

Chúng hữu ích khi:

·         Có nhiều biến dự báo

·         Dữ liệu đủ lớn

·         Quan hệ phi tuyến đáng kể

·         Mục tiêu chính là cải thiện độ chính xác

Nhưng mô hình học máy không tự động vượt trội mô hình truyền thống. Dữ liệu vĩ mô thường có số quan sát nhỏ, bị điều chỉnh và thay đổi cấu trúc. Mô hình quá linh hoạt dễ học nhiễu thay vì tín hiệu.

Vì vậy, cần kiểm định ngoài mẫu, giới hạn số đặc trưng và duy trì khả năng giải thích tối thiểu.

Kết hợp nhiều mô hình thay vì phụ thuộc một mô hình

Mỗi mô hình phản ánh một phần khác nhau của nền kinh tế. Mô hình chuỗi thời gian mạnh về động lực ngắn hạn, mô hình cấu trúc mạnh về giải thích chính sách, còn mô hình nhân tố xử lý tốt tập dữ liệu lớn.

Dự báo kết hợp có dạng:

[

\hat{y}{t h}=\sum{m=1}^{M}w_m\hat{y}_{m,t h}

]

Trong đó tổng các trọng số thường bằng 1.

Có thể lựa chọn:

·         Trọng số bằng nhau

·         Trọng số dựa trên sai số lịch sử

·         Trọng số thay đổi theo thời gian

·         Trọng số phụ thuộc trạng thái chu kỳ

Trọng số bằng nhau thường là chuẩn khởi đầu hợp lý vì sai số ước lượng trọng số có thể làm mất lợi ích của phương pháp phức tạp. Chỉ nên tăng trọng số cho một mô hình khi nó thể hiện ưu thế ổn định qua nhiều giai đoạn kiểm định.

Dự báo kết hợp giúp giảm rủi ro mô hình nhưng không loại bỏ rủi ro chung. Nếu tất cả mô hình cùng dựa trên một giả định sai, kết quả kết hợp vẫn có thể sai theo cùng một hướng.

Xây dựng dự báo cơ sở

Kịch bản cơ sở là diễn biến được xem là có khả năng hợp lý nhất dưới một tập hợp giả định cụ thể. Nó không phải lời khẳng định chắc chắn về tương lai.

Quy trình xây dựng có thể gồm sáu bước:

1.    Ước lượng trạng thái hiện tại bằng dữ liệu mới nhất

2.    Xác định động lực nội tại như thu nhập, tín dụng, hàng tồn kho và đầu tư

3.    Đặt giả định ngoại sinh về giá hàng hóa, cầu thế giới, tỷ giá và chính sách

4.    Chạy nhiều mô hình độc lập

5.    Đối chiếu kết quả với quan hệ kinh tế và thông tin định tính

6.    Ghi lại mọi điều chỉnh dựa trên nhận định chuyên gia

Dự báo cần nhất quán giữa các biến. Chẳng hạn, tăng trưởng tiêu dùng mạnh kéo dài trong khi thu nhập thực giảm, tín dụng thắt chặt và tiết kiệm không đổi cần được giải thích bằng một cơ chế khác. Nếu không, hệ thống dự báo có thể đang chứa mâu thuẫn.

Các dự báo vĩ mô của ECB cũng bao quát đồng thời tăng trưởng, lạm phát, tiền lương, thất nghiệp và thương mại nhằm tạo một đánh giá tổng thể về triển vọng kinh tế.

Phân tích kịch bản và kiểm tra độ nhạy

Khi môi trường ổn định, mô hình dựa trên quan hệ lịch sử có thể hoạt động tương đối tốt. Khi khủng hoảng làm thay đổi cấu trúc kinh tế, bất định mô hình tăng lên và kịch bản cơ sở trở nên kém đủ thông tin.

ECB nhấn mạnh rằng các cuộc khủng hoảng có thể tạo ra thay đổi cấu trúc, khiến việc dự báo dựa trên mô hình và mẫu hình quá khứ khó khăn hơn. Phân tích kịch bản, rủi ro và độ nhạy được dùng để phản ánh phần bất định đó.

Cấu trúc một kịch bản hữu ích

Mỗi kịch bản nên xác định:

·         Cú sốc khởi đầu

·         Kênh truyền dẫn

·         Các biến chịu tác động

·         Thời gian tác động

·         Phản ứng của chính sách

·         Kết quả kinh tế

·         Tín hiệu cho thấy kịch bản đang xảy ra

Ví dụ, kịch bản giá năng lượng tăng không nên dừng ở giả định “giá dầu tăng”. Cần mô tả đường truyền:

Giá năng lượng tăng

→ Chi phí sản xuất và vận tải tăng

→ Lạm phát tăng

→ Thu nhập thực giảm

→ Tiêu dùng suy yếu

→ Chính sách tiền tệ có thể duy trì thắt chặt lâu hơn

→ Tăng trưởng giảm

Tác động cuối cùng còn phụ thuộc vào mức độ phụ thuộc năng lượng nhập khẩu, khả năng doanh nghiệp chuyển chi phí sang người mua, phản ứng tiền lương và hỗ trợ tài khóa.

Ba kịch bản tối thiểu

Một hệ thống thực hành thường có:

·         Kịch bản cơ sở

·         Kịch bản bất lợi

·         Kịch bản thuận lợi

Trong môi trường rủi ro cao, có thể bổ sung kịch bản nghiêm trọng với xác suất thấp nhưng hậu quả lớn. Các dự báo của Eurosystem cũng sử dụng nhiều kịch bản thay thế để minh họa bất định khi triển vọng chịu ảnh hưởng của các cú sốc lớn.

Nghiên cứu của IMF về tổng hợp kịch bản đề xuất kết nối phân tích các tình huống cụ thể với dự báo phân phối rủi ro, qua đó hỗ trợ đánh giá và truyền đạt rủi ro một cách có hệ thống hơn.

Kiểm tra độ nhạy

Phân tích độ nhạy thay đổi từng giả định trong khi giữ các yếu tố khác tương đối ổn định:

·         Giá dầu cao hơn 10%

·         Lãi suất cao hơn 100 điểm cơ bản

·         Cầu xuất khẩu thấp hơn 1%

·         Tỷ giá giảm 5%

·         Tăng trưởng tiền lương cao hơn dự kiến

Phương pháp này giúp nhận diện giả định nào chi phối kết quả. Tuy nhiên, các biến kinh tế thường thay đổi đồng thời, nên kiểm tra độ nhạy không thể thay thế hoàn toàn phân tích kịch bản.

Đo lường và trình bày độ bất định

Mọi dự báo kinh tế đều có sai số. Sai số đến từ:

·         Dữ liệu ban đầu không đầy đủ

·         Điều chỉnh số liệu

·         Lựa chọn mô hình

·         Ước lượng tham số

·         Giả định ngoại sinh

·         Cú sốc không lường trước

·         Thay đổi cấu trúc

·         Phản ứng chính sách

Do đó, nên công bố khoảng dự báo thay vì chỉ đưa một giá trị điểm.

Ví dụ:

[

P(L_t \leq y_t \leq U_t)=80%

]

Điều này có nghĩa là mô hình gán xác suất 80% cho việc kết quả nằm trong khoảng từ (L_t) đến (U_t), với điều kiện các giả định và cấu trúc mô hình vẫn phù hợp.

Khoảng dự báo không nên được diễn giải như bảo đảm. Nếu nền kinh tế trải qua một cú sốc ngoài phạm vi dữ liệu lịch sử, mức bao phủ thực tế có thể thấp hơn mức danh nghĩa.

Dự báo xác suất

Đối với các trạng thái như suy thoái, có thể ước lượng:

[

P(Recession_{t h}=1\mid X_t)

]

Kết quả 35% không có nghĩa suy thoái chắc chắn xảy ra hoặc chắc chắn không xảy ra. Nó cho biết mức rủi ro theo mô hình và tập dữ liệu hiện tại.

Ngưỡng hành động phải phụ thuộc chi phí của hai loại sai lầm:

·         Báo động giả

·         Bỏ sót suy thoái thực sự

Một ngân hàng, doanh nghiệp sản xuất và cơ quan hoạch định chính sách có thể sử dụng các ngưỡng khác nhau dù cùng nhìn một xác suất.

Kiểm định chất lượng dự báo

Một mô hình không nên được đánh giá bằng mức độ khớp dữ liệu quá khứ trong mẫu. Cần kiểm tra khả năng dự báo dữ liệu chưa được dùng để ước lượng.

Chia mẫu theo thời gian

Không nên xáo trộn ngẫu nhiên dữ liệu thời gian như trong một số bài toán học máy. Cần giữ đúng trình tự:

·         Giai đoạn huấn luyện

·         Giai đoạn xác thực

·         Giai đoạn kiểm định ngoài mẫu

Có thể dùng kiểm định cửa sổ mở rộng:

1.    Ước lượng mô hình đến thời điểm (t)

2.    Dự báo (t h)

3.    Ghi nhận sai số

4.    Bổ sung dữ liệu mới

5.    Ước lượng lại và lặp lại

Quy trình này mô phỏng cách mô hình vận hành trong thực tế.

Các thước đo sai số

Sai số tuyệt đối trung bình:

[

MAE=\frac{1}{n}\sum_{t=1}^{n}|y_t-\hat{y}_t|

]

Căn sai số bình phương trung bình:

[

RMSE=\sqrt{\frac{1}{n}\sum_{t=1}^{n}(y_t-\hat{y}_t)^2}

]

RMSE phạt mạnh các sai số lớn. MAE dễ diễn giải và ít nhạy với ngoại lệ hơn.

Đối với dự báo xu hướng, cần đo thêm:

·         Tỷ lệ dự báo đúng chiều

·         Khả năng phát hiện điểm ngoặt

·         Tỷ lệ báo động giả

·         Độ trễ phát hiện

·         Độ chính xác của xác suất

Một mô hình có RMSE thấp nhưng thường xuyên bỏ lỡ điểm ngoặt có thể không phù hợp cho quản trị chu kỳ.

So sánh với mô hình chuẩn

Mô hình mới cần vượt qua ít nhất một chuẩn như:

·         Giá trị gần nhất

·         Trung bình lịch sử

·         Xu hướng tuyến tính

·         Mô hình tự hồi quy đơn giản

·         Dự báo đồng thuận

Không nên chỉ báo cáo giai đoạn mà mô hình hoạt động tốt. Cần kiểm tra trong mở rộng, suy giảm, lạm phát cao, khủng hoảng và giai đoạn thay đổi chính sách.

Nghiên cứu đánh giá dự báo cũng cho thấy ngay cả các tổ chức lớn có thể phản ứng chưa tối ưu trước tin tức mới. Điều đó nhấn mạnh rằng uy tín của tổ chức không thể thay thế việc đánh giá sai số một cách minh bạch.

Nhận diện thay đổi cấu trúc và điểm gãy

Mô hình giả định rằng quan hệ quan sát trong quá khứ còn đủ ổn định để sử dụng trong tương lai. Giả định này có thể thất bại khi xảy ra:

·         Thay đổi chế độ chính sách

·         Cải cách thể chế

·         Khủng hoảng tài chính

·         Đại dịch

·         Xung đột thương mại

·         Chuyển đổi công nghệ

·         Thay đổi chuỗi cung ứng

·         Thay đổi hành vi tiết kiệm và tiêu dùng

Dấu hiệu của điểm gãy gồm:

·         Sai số tăng đột ngột

·         Hệ số mô hình không ổn định

·         Các chỉ báo từng đồng biến bắt đầu phân kỳ

·         Dữ liệu mới liên tục khiến dự báo thay đổi cùng một hướng

·         Mô hình chuẩn đơn giản vượt mô hình phức tạp

Khi đó, không nên chỉ điều chỉnh tham số. Cần xem lại cơ chế kinh tế, thu hẹp cửa sổ ước lượng, cho phép hệ số biến đổi theo thời gian hoặc xây dựng các kịch bản cấu trúc mới.

Kết hợp mô hình với nhận định chuyên gia

Mô hình xử lý dữ liệu nhất quán nhưng không thể tự động hiểu mọi thay đổi thể chế, sự kiện chính trị hoặc thông tin chưa được mã hóa.

Nhận định chuyên gia có giá trị khi:

·         Chính sách mới chưa có tiền lệ

·         Dữ liệu bị nhiễu tạm thời

·         Có sự kiện một lần

·         Mô hình bỏ sót một cơ chế quan trọng

·         Cần bảo đảm tính nhất quán giữa nhiều biến

Tuy nhiên, điều chỉnh chuyên gia dễ chịu ảnh hưởng của thiên kiến xác nhận, quá tự tin và bám vào dự báo cũ.

Mỗi điều chỉnh nên được ghi rõ:

·         Mô hình ban đầu dự báo gì

·         Chuyên gia điều chỉnh bao nhiêu

·         Lý do điều chỉnh

·         Dữ liệu hoặc cơ chế hỗ trợ

·         Điều kiện để hủy điều chỉnh

·         Kết quả của điều chỉnh sau khi dữ liệu thực tế xuất hiện

Việc lưu hồ sơ này cho phép kiểm tra liệu nhận định chuyên gia thực sự cải thiện dự báo hay chỉ làm kết quả có vẻ hợp lý hơn.

Quy trình dự báo xu hướng kinh tế có thể áp dụng

Một quy trình vận hành thực tế có thể được tổ chức thành chín bước.

Bước 1: Xác định câu hỏi

Làm rõ:

·         Biến cần dự báo

·         Phạm vi địa lý

·         Chân trời thời gian

·         Tần suất cập nhật

·         Mục đích sử dụng

“Dự báo kinh tế năm tới” quá rộng. “Ước lượng xác suất tăng trưởng sản xuất công nghiệp giảm trong hai quý tới” là câu hỏi có thể đo lường.

Bước 2: Xây dựng giả thuyết kinh tế

Xác định cơ chế dự kiến:

·         Yếu tố nào dẫn dắt biến mục tiêu

·         Độ trễ bao lâu

·         Kênh truyền dẫn nào quan trọng

·         Quan hệ có thể thay đổi trong điều kiện nào

Giả thuyết giúp ngăn việc đưa hàng trăm biến vào mô hình mà không có logic kinh tế.

Bước 3: Thu thập và chuẩn hóa dữ liệu

Kiểm tra:

·         Nguồn dữ liệu

·         Tần suất

·         Đơn vị

·         Mùa vụ

·         Giá trị thiếu

·         Ngoại lệ

·         Lịch điều chỉnh

·         Thời điểm thực sự có thể quan sát dữ liệu

Bước 4: Xây dựng bảng tín hiệu

Phân loại từng chỉ báo thành:

·         Tích cực

·         Trung tính

·         Tiêu cực

Sau đó đánh giá:

·         Mức độ thay đổi

·         Độ bền của tín hiệu

·         Tính đồng thuận giữa các chỉ báo

·         Độ tin cậy lịch sử

Không nên cộng điểm máy móc nếu các chỉ báo đo cùng một hiện tượng. Năm khảo sát kinh doanh tương quan cao không tương đương năm nguồn thông tin độc lập.

Bước 5: Chạy mô hình chuẩn và mô hình chính

Tối thiểu nên có:

·         Một mô hình chuẩn đơn giản

·         Một mô hình chuỗi thời gian

·         Một mô hình dùng chỉ báo dẫn dắt

·         Một mô hình hoặc khung phân tích cấu trúc

Sự khác biệt giữa các mô hình là thông tin về bất định, không chỉ là vấn đề cần loại bỏ.

Bước 6: Kiểm tra tính nhất quán

Đối chiếu:

·         Tăng trưởng và việc làm

·         Tiêu dùng và thu nhập

·         Đầu tư và điều kiện tài chính

·         Lạm phát và chi phí

·         Xuất khẩu và cầu thế giới

·         Lãi suất, tín dụng và tỷ giá

Nếu dự báo mâu thuẫn, cần xác định cơ chế giải thích hoặc sửa mô hình.

Bước 7: Xây dựng kịch bản

Với mỗi rủi ro lớn, xác định:

·         Xác suất tương đối

·         Quy mô cú sốc

·         Đường truyền

·         Tác động theo thời gian

·         Chỉ báo kích hoạt

·         Phản ứng quản trị

Bước 8: Công bố kết quả

Một báo cáo dự báo nên trình bày:

·         Nhận định trung tâm

·         Dự báo điểm

·         Khoảng dự báo

·         Động lực chính

·         Rủi ro tăng và giảm

·         Giả định

·         Điểm kích hoạt cập nhật

·         Hiệu quả lịch sử của mô hình

Bước 9: Cập nhật theo luồng thông tin

Không cần chờ hết quý mới cập nhật. Mỗi dữ liệu mới có thể được xem như một phần “tin tức”:

[

News_t=Actual_t-Expected_t

]

Ảnh hưởng của tin tức đến dự báo phụ thuộc mức bất ngờ, độ tin cậy và vai trò của chỉ báo trong mô hình.

Những sai lầm thường gặp

Ngoại suy xu hướng gần nhất

Tăng trưởng cao trong vài tháng không bảo đảm xu hướng tiếp tục. Chu kỳ hàng tồn kho, hiệu ứng nền và sự kiện tạm thời có thể làm dữ liệu ngắn hạn trở nên sai lệch.

Đồng nhất thị trường tài chính với nền kinh tế

Giá tài sản phản ánh kỳ vọng, khẩu vị rủi ro và lãi suất chiết khấu. Thị trường tăng không nhất thiết đồng nghĩa hoạt động thực sẽ tăng tương ứng.

Dùng quá nhiều biến

Thêm biến thường cải thiện độ khớp trong mẫu nhưng có thể làm dự báo ngoài mẫu kém đi. Chỉ nên giữ biến có logic kinh tế, lịch sử ổn định và giá trị dự báo bổ sung.

Nhầm tương quan với nguyên nhân

Hai biến cùng di chuyển không có nghĩa một biến gây ra biến kia. Cả hai có thể phản ứng với một yếu tố thứ ba.

Bỏ qua điều chỉnh số liệu

Dự báo có vẻ sai so với số liệu lần đầu nhưng đúng hơn so với dữ liệu cuối cùng, hoặc ngược lại. Cần xác định rõ phiên bản dữ liệu dùng để chấm điểm.

Chỉ công bố một con số

Một con số duy nhất tạo cảm giác chắc chắn giả tạo. Khoảng dự báo và kịch bản giúp người sử dụng hiểu điều kiện cũng như rủi ro của kết quả.

Thay đổi mô hình sau mỗi sai số

Một sai số lớn có thể là nhiễu. Việc sửa mô hình liên tục khiến hệ thống mất ổn định. Chỉ nên thay đổi khi có bằng chứng về lỗi lặp lại hoặc điểm gãy cấu trúc.

Chuyển dự báo thành quyết định

Dự báo chỉ hữu ích khi gắn với một quyết định cụ thể. Người sử dụng không nhất thiết cần biết chính xác GDP sẽ tăng bao nhiêu; họ có thể cần biết khi nào nên điều chỉnh tồn kho, ngân sách hoặc kế hoạch đầu tư.

Có thể xây dựng quy tắc hành động theo ngưỡng:

Tín hiệu	Diễn giải	Hành động tham khảo
Kịch bản cơ sở ổn định	Chưa có thay đổi lớn trong động lực	Duy trì kế hoạch và tiếp tục theo dõi
Nhiều chỉ báo dẫn dắt suy yếu	Rủi ro giảm tốc đang tăng	Kiểm tra sức chịu đựng của dòng tiền
Xác suất kịch bản bất lợi vượt ngưỡng	Rủi ro đã đủ lớn để hành động	Chuẩn bị phương án phòng vệ
Dữ liệu thực tế phá vỡ giả định chính	Dự báo hiện tại mất hiệu lực	Cập nhật mô hình và kịch bản

Ngưỡng không nên phụ thuộc riêng vào xác suất. Cần kết hợp xác suất với mức độ thiệt hại:

[

Rủi\ ro\ kỳ\ vọng=Xác\ suất\times Mức\ độ\ tác\ động

]

Một kịch bản xác suất thấp nhưng gây hậu quả rất lớn vẫn có thể cần kế hoạch ứng phó.

Tiêu chuẩn của một dự báo đáng tin cậy

Một hệ thống dự báo có chất lượng không phải hệ thống luôn đúng. Nó là hệ thống:

·         Xác định rõ biến và chân trời dự báo

·         Sử dụng dữ liệu phù hợp với thời điểm ra quyết định

·         Có mô hình chuẩn để so sánh

·         Kiểm định ngoài mẫu

·         Đo lường sai số và xác suất

·         Trình bày giả định minh bạch

·         Kết hợp dự báo cơ sở với kịch bản

·         Cập nhật khi thông tin mới xuất hiện

·         Ghi lại điều chỉnh chuyên gia

·         Chỉ rõ điều kiện khiến kết luận không còn đúng

Dự báo xu hướng kinh tế hiệu quả nhất khi được xem là một quá trình học liên tục. Dữ liệu giúp quan sát trạng thái hiện tại, mô hình biến dữ liệu thành dự báo có hệ thống, lý thuyết kinh tế kiểm tra tính hợp lý, còn phân tích kịch bản bảo vệ quyết định trước những tương lai khác nhau.

Không mô hình nào loại bỏ được bất định. Giá trị thực của dự báo nằm ở khả năng phân biệt tín hiệu với nhiễu, lượng hóa rủi ro, phát hiện sớm khi giả định bị phá vỡ và giúp người sử dụng chuẩn bị hành động trước khi xu hướng trở nên rõ ràng trong các số liệu chính thức.