На полную мощность: Какая загрузка мощностей не ускоряет инфляцию?

Недавно стал свидетелем обсуждения уровня загрузки производственных мощностей, который можно считать соответствующим естественному уровню выпуска. Коллеги сошлись на оценке в 70-75, но предлагаю порассуждать здесь немного вслух.

Как оценивать?
В первом приближении, возможно предложить два подхода к оценке “естественного” уровня загрузки мощностей в производстве:
1) если есть в распоряжении ряд оценок естественного уровня выпуска или разрыва выпуска, то можно проверить, не является ли разрыв выпуска коинтегрированным с загрузкой мощностей. Если да, то мы сможем оценить уровень загрузки, соответствующий нулевому разрыву выпуска.
2) по аналогии с оценкой естественного уровня безработицы в [1] оценить зависимость между приростом базовой инфляции и загрузкой мощностей:

и тогда нормальный уровень загрузки соответствует нулевому приросту инфляции:

Насколько я понимаю, именно второй вариант предлагается в [2].

Данные и оценки
Дынникова и ее соавтор предлагают совершенно восхитительный обзор источников данных об индикаторах загрузки в промышленности. К сожалению, в данный момент у меня нет ни данных РЭБ, ни института Гайдара, только Росстата, который стал предоставлять их с 2006 года (в [2] используются данные до 2004 г.).

Все три ряда (РЭБ, института Гайдара и Росстата) в общем-то несравнимы, так что любая оценка нормального уровня загрузки должна квалифицироваться пояснением источника данных о загрузке мощностей. Так в [2] авторы получают оценки от 57% до 75% в зависимости от источника.

Итак, в качестве зависимой переменной используем очищенные от сезонности приросты (X12) базовой инфляции, независимой – уровень загрузки мощностей в обрабатывающей промышленности.

Синей линией показана оценка устойчивой к выбросам OLS, красной – OLS:

В обоих случаях оценки коэффициентов не значимы, как впрочем и в [2], но позволяют оценить уровень не ускоряющей инфляцию загрузки мощностей в 61.5-62%.

Так, чтобы добавить контекста нашей оценке, взглянем на исторический ряд загрузки производственных мощностей в обрабатывающей промышленности. Ниже красным показаны периоды, когда загрузка была ниже нашей оценки, синим – выше:

Источники:
1. Douglas Staiger, James H. Stock, Mark W. Watson, The NAIRU, Unemployment and Monetary Policy (pdf)
2. Nienke Oomes and Oksana Dynnikova, The Utilization-Adjusted Output Gap: Is the Russian Economy Overheating? (pdf)

На полную мощность: Какая загрузка мощностей не ускоряет инфляцию?

Вакансия в Банке России

Коллега поделилась информацией с сайта Банковского института НИУ ВШЭ:

Круг задач:
  • участие в разработке нормативной базы по регулированию рыночных, кредитных рисков и рисков ликвидности банков на основе положений «Базеля II» и «Базеля III»;
  • валидация внутрибанковских процессов и моделей оценки рисков;
  • подготовка аналитических материалов для руководства.
 
Требования:
  • высшее экономическое или физико-математическое образование;
  • опыт работы в финансовом секторе, аудите, консалтинге или органах финансового регулирования и надзора (предпочтительно в аналитических или методологических подразделениях) от двух лет;
  • знание нормативной базы Банка России по регулированию финансовых рисков;
  • понимание финансовой отчетности банков, знание РСБУ и МСФО является преимуществом;
  • владение английским языком на уровне не ниже upper-intermediate;
  • уверенное владение MS Excel и MS PowerPoint;
  • ответственность и стрессоустойчивость.
Предпочтение отдается кандидатам с опытом работы в области оценки и управления рисками в финансовом секторе.
Кандидаты без опыта работы могут быть рассмотрены на позиции начального уровня.
Должность и размер компенсации определяются по результатам собеседования.
 
Резюме вместе с мотивационным письмом можно направлять по адресам электронной почты:laa1@mail.cbr.rudes@mail.cbr.ru
Вакансия в Банке России

Использование искусственных нейронных сетей для прогнозирования американского фондового рынка в период кризиса

 На ближайшем научном семинаре во вторник 09.10.2012  мы попытаемся разобраться с возможностью прогнозирования американского фондового рынка с помощью карт самоорганизации, также известных, как искусственные нейронные сети Кохонена.

Нас будет особенно интересовать возможность прогнозирования индекса Dow Jones в период мирового финансового кризиса, т.е. игра на коротких позициях. В процессе построения сети мы также будем решать проблему выбора начальной точки обучения и самого обучающего вектора.
После тестирования сети на кризисном массиве данных, мы попробуем провести модификацию с помощью синергетической сети Хакена, чтобы иметь возможность прогнозировать на более длительном промежутке времени.

Более детально с результатами исследования можно ознакомиться здесь.

Использование искусственных нейронных сетей для прогнозирования американского фондового рынка в период кризиса