Description

Abstract: While the usefulness of factor models has been acknowledged over recent years, little attention has been devoted to the forecasting power of these models for the Japanese economy. In this paper, we aim at assessing the relative performance of factor models over different samples, including the recent financial crisis. To do so, we construct factor models to forecast Japanese GDP and its subcomponents, using 38 data series (including daily, monthly and quarterly variables) over the period 1991 to 2010. Overall, we find that factor models perform well at tracking GDP movements and anticipating turning points. For most of the components, we report that factor models yield lower forecasting errors than a simple AR process or an indicator model based on Purchasing Managers’ Indicators (PMIs). In line with previous studies, we conclude that the largest improvements in terms of forecasting accuracy are found for more volatile periods, such as the recent financial crisis. However, unlike previous studies, we do not find evident links between the volatility of the components and the relative advantage of using factor models. Finally, we show that adding the PMI index as an independent explanatory variable improves the forecasting properties of the factor models.

Résumé: Bien que l’utilité des modèles factoriels soit maintenant reconnue, leur pouvoir de prévision à l’égard de l’économie japonaise a été très peu étudié. Les auteurs se proposent de comparer la qualité des prévisions produites par divers modèles factoriels sur différentes périodes, dont l’une inclut la récente crise financière. Pour ce faire, ils construisent des modèles factoriels destinés à la prévision du produit intérieur brut (PIB) japonais et de ses composantes à partir de 38 séries de données (de fréquence quotidienne, mensuelle ou trimestrielle) couvrant les années 1991 à 2010. Globalement, les modèles factoriels réussissent bien à reproduire les mouvements du PIB et à anticiper les points de retournement. Ils produisent de meilleures prévisions pour la plupart des composantes qu’un simple processus autorégressif ou un modèle indicateur fondé sur un indice des directeurs d’achats. Conformément aux résultats de travaux antérieurs, les gains de précision les plus importants concernent les périodes de forte volatilité, dont la récente crise financière. À l’encontre de ces travaux, toutefois, les auteurs ne décèlent aucune relation apparente entre la volatilité des composantes à prévoir et le gain lié à l’emploi de modèles factoriels. Enfin, l’étude montre que la prise en compte de l’indice des directeurs d’achats à titre de variable explicative permet d’améliorer le pouvoir de prévision des modèles factoriels.

Details

PDF

Files

Statistics

from
to
Export
Download Full History