美联储经济模型

FRB/US宏观经济模型深度解析

美联储经济模型

FRB/US宏观经济模型深度解析

页面概览

本页面介绍美联储FRB/US模型及其对政策分析的指导作用。内容涵盖模型结构、 主要输入变量，以及工作人员如何运用模拟方法比较不同政策路径。请使用右上角的入门/专家切换按钮调整内容详细程度。

目录

FRB/US模型概述

它是什么？ 美联储对美国经济进行分析的核心大型模型
谁在使用？ 为联邦公开市场委员会（FOMC）利率决策提供支持的美联储工作人员
有何功能？ 模拟政策调整与外部冲击对约365个变量的影响
使用历史： 自1996年起投入使用；2014年起对外公开发布

联邦公开市场委员会每年召开八次会议，设定联邦基金利率。这些决策影响着借贷成本、就业和通胀水平。FRB/US是工作人员将政策选择与可能结果相对应的核心工具。

该模型是众多分析工具之一，为政策分析提供情景化评估，同时配合其他模型和判断综合使用。

"模型"在这里是什么意思？

模型是一组将支出、就业、价格和金融条件相互关联的方程式。调整政策利率后，模型便能追踪这些关联通常随时间推移的变动规律。这是一种有条理地比较政策选项的方法，而非对意外情况的预测。

为何需要模型

货币政策通过多个渠道影响经济，且传导存在较长时滞。模型有助于保持这些互动关系和时间节点的一致性。

  • 相互关联的效应：利率变动同时影响美元汇率、资产价格、借贷成本和市场预期。
  • 传导滞后：通胀往往需要滞后多个季度才会做出响应。
  • 数据基础：FRB/US基于数十年美国经济数据进行估计。

主要部门

FRB/US将经济划分为具有不同行为特征的部门：

家庭部门：消费与储蓄

家庭决定消费与储蓄的比例。利率上升往往抑制大额采购，但部分流动性受限的家庭对利率变化不那么敏感。

企业部门：投资与招聘

企业根据预期需求和融资成本进行投资和招聘。利率上升提高了新项目的盈利门槛。

金融市场：政策传导

美联储设定隔夜利率，进而影响债券收益率、抵押贷款利率和股票估值。模型捕捉了这些关联机制。

世界其他地区

货币政策影响美元汇率和贸易。美元走强通常抑制出口并压低进口价格。

示例：利率上调1%的影响

在模型中，收紧1个百分点的政策利率通常会产生以下影响：

  1. 即时效应：资产价格下跌，美元走强。
  2. 6个月内：住房活动放缓，投资增速下降。
  3. 12个月内：就业增长趋缓，失业率小幅上升。
  4. 18至24个月内：需求降温，通胀下行。

以上为模型预测的一般趋势，并非精确预测值。

模型分类：大型估计结构模型（非DSGE类）
当前版本：2024年2月（284个行为方程，365个变量）
运行起始时间：1996年（取代MPS模型）
公开可用性：2014年起向研究人员发布模型程序包
估计方法：基于1966年后季度数据的极大似然估计和广义矩估计（GMM）
求解方法：牛顿-拉夫森迭代法，配合预期模式（基于VAR或模型一致性预期）

FRB/US是一个大型估计结构模型，不属于DSGE传统体系。该模型优先考虑实证拟合效果和制度细节，而非完全基于微观基础的最优化框架。

该模型体现了美联储务实的政策分析方法。1996年，为了使宏观计量框架现代化并改善预期处理方式，FRB/US取代了MPS模型。

资料来源：美联储FRB/US项目页面

FRB/US与DSGE模型有何不同？

理解这一区别对于解读模型结果及其局限性至关重要：

1. 估计与校准

DSGE模型通常对关键参数进行校准，然后评估拟合效果。FRB/US则对大多数参数进行实证估计，以提高实证拟合效果，但在一定程度上牺牲了结构性解释空间。

2. 行为方程与欧拉方程

FRB/US将理论一致的长期关系与实证短期动态相结合。消费模块融合了生命周期行为与经验法则成分，以近似刻画家庭异质性。

3. 制度现实性

FRB/US嵌入了DSGE模型中通常被抽象化的美国制度细节：

  • 税法细节：累进税率、折旧安排、税收抵免
  • 福利项目：含人口结构的社会保障、医疗保险、医疗补助
  • 抵押贷款结构：30年期固定利率抵押贷款及现金流效应
  • 金融部门：期限结构、风险溢价、托宾Q值投资
4. 预期灵活性

该模型无需重新估计即可在不同预期假设下运行。工作人员可将基于VAR的预期与模型一致性预期进行比较，以检验结论的稳健性。

货币政策传导机制

货币政策通过多个渠道发挥作用，各渠道具有不同的滞后结构：

传导渠道传导机制峰值影响时间模型表示
利率渠道资本成本 → 投资、住房4-6个季度使用成本弹性：$\epsilon_{I,r} \approx -1.0$
资产价格渠道股票估值 → 财富 → 消费6-8个季度财富效应：$\partial C / \partial W \approx 0.03$
汇率渠道利差 → 美元 → 净出口3-5个季度贸易弹性：$\epsilon_{NX,e} \approx -0.3$
预期渠道前瞻指引 → 未来利率 → 当期决策1-3个季度欧拉方程中的预期项
信贷渠道银行资本 → 贷款标准 → 信贷可得性3-6个季度通过风险利差体现的金融加速器

数值实现

求解算法：

# Pseudo-code for FRB/US solution
1. Linearize system around steady state
2. For t = 1 to T:
   a. Compute expectations: E_t[X_{t+1}] using VAR or RE
   b. Solve non-linear block (pricing, investment) via Newton-Raphson
   c. Solve linear block (identities, AR processes) analytically
   d. Check convergence: ||X_t - X_t^{prev}|| < tolerance
3. If not converged, update and iterate

# Key parameters from estimation:
- Consumption smoothing: σ ≈ 2.0 (IES = 0.5)
- Calvo pricing: θ ≈ 0.75 (avg. 4-quarter price duration)
- Phillips curve slope: κ ≈ 0.01 (very flat)
- Taylor rule: ψ_π ≈ 1.5, ψ_y ≈ 0.5

相对优势与局限性

相较于DSGE模型的优势：

  • 对战后美国数据的实证拟合效果更强
  • 通过估计调整方程获得更丰富的动态特征
  • 灵活的预期机制便于稳健性检验
  • 制度细节支持政策评估

相较于VAR/简化式模型的优势：

  • 结构性解释使反事实分析成为可能
  • 理论一致的长期属性
  • 能够处理政策体制变化和前瞻指引
  • 可将冲击分解为结构性成分

主要局限性（详见下文）：

  • 金融摩擦和信贷市场细节有限
  • 未明确刻画家庭或企业的异质性
  • 在非常规货币政策时期表现相对较弱
  • 近几十年来菲利普斯曲线不稳定性问题

模型结构与核心框架

FRB/US将期望行为与减缓调整的摩擦分开处理。目标值与实际结果之间的差距驱动着经济动态。

理解两层结构

第一层——长期目标：家庭和企业根据激励机制和预期收入选择期望的支出、招聘和定价水平。

第二层——调整摩擦：融资、建设和信息传递的滞后减缓了向目标值靠拢的过程。

四大核心模块

1. 居民决策

家庭根据收入、财富和利率水平在时间维度上平滑消费。

示例：购房者在决策时会综合考量：

  • 当前收入
  • 预期未来收入
  • 抵押贷款利率
  • 现有储蓄和资产

模型将这些个体决策汇总为住房需求和消费总量。

2. 企业决策

企业根据预期需求和融资成本进行招聘和投资。

示例：考虑建设新厂的制造商会追踪：

  • 当前及预期销售额
  • 借贷成本
  • 劳动力成本及可得性
  • 现有产能

汇总后的决策驱动就业、投资和产出变动。

3. 价格设定

企业不频繁调整价格，因为价格调整代价高昂。这正是通胀滞后响应的原因。

实际情况：企业批量更新价格，而非持续调整，这使得通胀是渐进的而非即时的。

4. 对未来的预期

预期影响着当下的支出、定价和薪资决策。

美联储沟通至关重要：当美联储释放政策路径信号时，经济行为随即发生改变：

  • 企业调整投资计划
  • 家庭调整购房决策
  • 市场对长期利率重新定价

各模块如何相互关联

模型追踪一个反馈循环：

  1. 美联储调整利率 →
  2. 借贷成本变化 →
  3. 支出和投资改变 →
  4. 生产调整 →
  5. 就业响应 →
  6. 薪资变动 →
  7. 价格调整 →
  8. 通胀变化 →
  9. 美联储重新评估政策 →
  10. ……循环持续

FRB/US将行为分解为基于最优化的目标值和实证调整动态，在可处理性与良好实证拟合之间取得平衡。

基本结构成分

1. 套利均衡与资产定价

金融市场被假设为通过无套利条件即时出清。利率期限结构遵循：

$$R_{t,n} = \frac{1}{n}\sum_{i=0}^{n-1} E_t[r_{t+i}] + \theta_{t,n}$$

其中$R_{t,n}$为n期利率，$r_t$为单期政策利率，$\theta_{t,n}$为时变期限溢价。期限溢价通过卡尔曼滤波估计，遵循AR(1)过程：

$$\theta_{t,n} = \rho_\theta \theta_{t-1,n} + \epsilon_{t}^{\theta}, \quad \rho_\theta \approx 0.95$$

股票定价遵循具有时变贴现率的戈登增长模型：

$$P_t^E = \frac{D_t}{R_t^E - g_t^D}, \quad R_t^E = r_t + \phi_{eq} + \omega_t$$

其中$D_t$为股息，$g_t^D$为预期股息增长率，$\phi_{eq}$为股权风险溢价（估计值为年化4.5%），$\omega_t$捕捉时变风险偏好。

汇率遵循修正的非抛补利率平价条件：

$$E_t[\Delta s_{t+1}] = (r_t - r_t^*) + \psi_t$$

其中$\psi_t$代表对非抛补利率平价的偏离（风险溢价、避险资金流动），估计半衰期约为3个季度。

2. 跨期最优化问题

家庭最优化：

代表性家庭在无限期内最大化贴现效用：

$$\max E_0 \sum_{t=0}^{\infty} \beta^t U(C_t, L_t)$$

受跨期预算约束：

$$A_{t+1} = (1+r_t)(A_t + W_t L_t - C_t - T_t)$$

一阶条件得出消费欧拉方程：

$$U_C(C_t, L_t) = \beta (1+r_t) E_t[U_C(C_{t+1}, L_{t+1})]$$

假设CRRA效用函数$U(C,L) = \frac{C^{1-\sigma}}{1-\sigma} + \psi \frac{(1-L)^{1-\nu}}{1-\nu}$，方程变为：

$$C_t^{-\sigma} = \beta (1+r_t) E_t[C_{t+1}^{-\sigma}]$$

在稳态附近进行对数线性化：

$$c_t = E_t[c_{t+1}] - \frac{1}{\sigma}(r_t - E_t[\pi_{t+1}] - \rho)$$

其中$\sigma \approx 2.0$（估计值），意味着跨期替代弹性$1/\sigma = 0.5$。

企业最优化：

企业利用生产函数最大化利润现值：

$$Y_t = A_t K_t^\alpha L_t^{1-\alpha}$$

资本积累遵循：

$$K_{t+1} = (1-\delta)K_t + I_t$$

资本的一阶条件得出新古典投资方程：

$$\frac{MPK_t}{P_t^I} = r_t + \delta - E_t\left[\frac{\Delta P_t^I}{P_t^I}\right]$$

其中$MPK_t = \alpha A_t (K_t/L_t)^{\alpha-1}$为资本边际产品，$P_t^I$为投资品价格。

3. 调整成本与名义刚性

价格设定：企业面临卡尔沃定价，每期无法调整价格的概率为$\theta$。菲利普斯曲线推导得出：

$$\pi_t = \beta E_t[\pi_{t+1}] + \kappa \cdot mc_t$$

其中$\kappa = \frac{(1-\theta)(1-\beta\theta)}{\theta}$，$mc_t$为实际边际成本。估计值$\theta \approx 0.75$意味着平均价格持续期为$\frac{1}{1-\theta} = 4$个季度。

FRB/US中的实证菲利普斯曲线包含额外的持久性和指数化成分：

$$\pi_t = \gamma_f E_t[\pi_{t+1}] + \gamma_b \pi_{t-1} + \kappa \cdot gap_t + \mu \cdot \pi_t^{import}$$

其中$\gamma_f \approx 0.24$，$\gamma_b \approx 0.76$，$\kappa \approx 0.01$（极平坦），$\mu \approx 0.08$。

薪资设定：类似的卡尔沃机制应用于薪资，得出：

$$w_t = \phi_f E_t[w_{t+1}] + \phi_b w_{t-1} + \phi_u (u^* - u_t) + \phi_\pi \pi_t$$

薪资菲利普斯曲线斜率$\phi_u \approx 0.015$，通胀传递系数$\phi_\pi \approx 0.60$。

4. 预期形成机制

FRB/US通过三种模式实现灵活预期：

基于VAR（后向看）：

$$E_t[X_{t+h}] = \Phi_h X_t + \Psi_h Z_t$$

其中$X_t$包含内生变量，$Z_t$包含外生变量。VAR参数$\{\Phi_h, \Psi_h\}$通过OLS对历史数据估计。

模型一致（理性预期）：

通过牛顿-拉夫森算法与模型联立求解预期。对于任意变量$X$：

$$E_t[X_{t+h}] = f_h(X_t, \theta, \epsilon_{t+1:t+h})$$

其中$f_h$为h步前向模型解，$\theta$包含结构参数。

混合模式：VAR与理性预期的凸组合：

$$E_t[X_{t+h}] = \lambda \cdot E_t^{VAR}[X_{t+h}] + (1-\lambda) \cdot E_t^{RE}[X_{t+h}]$$

$\lambda$通常设定为0.75，反映调查证据显示大多数经济主体采用适应性而非完全理性预期。

状态空间表示

完整模型可写成紧凑的状态空间形式：

$$\begin{aligned} A_0 X_t &= A_1 X_{t-1} + A_2 E_t[X_{t+1}] + B Z_t + \epsilon_t \\ X_t &= [\text{GDP}, \pi, u, r, C, I, ...]^T \in \mathbb{R}^{365} \\ Z_t &= [\text{oil price}, \text{foreign demand}, ...]^T \in \mathbb{R}^{40} \end{aligned}$$

其中$A_0, A_1, A_2 \in \mathbb{R}^{365 \times 365}$为包含结构参数的稀疏矩阵（90%为零元素），$B \in \mathbb{R}^{365 \times 40}$映射外生冲击，$\epsilon_t$为结构性扰动项。

计算实现：

# Solution algorithm (simplified)
function solve_frbusmodel(params, exog_path, T):
    X = initialize_state_vector()

    for t in 1:T:
        # 1. Form expectations
        if expectations_mode == "VAR":
            E_X = VAR_forecast(X[1:t], params.VAR)
        elif expectations_mode == "RE":
            E_X = RE_solve(X, params, t)

        # 2. Solve for current period
        # Non-linear block (4 key equations)
        X_nl = newton_raphson(
            F_nonlinear, X0=X[t-1],
            args=(E_X, exog_path[t], params)
        )

        # Linear block (rest of model)
        X_linear = sparse_solve(
            A_linear,
            b=B*exog_path[t] + C*X_nl
        )

        X[t] = [X_nl; X_linear]

    return X
end

# Typical performance:
# - Single simulation: ~0.5 seconds (365 vars, 200 quarters)
# - Stochastic simulation (1000 draws): ~10 minutes
# - Full parameter estimation: ~2 hours on 32-core cluster
家庭部门

本节介绍模型如何处理家庭支出、储蓄、住房和劳动供给。

家庭的三大核心决策

1. 消费与储蓄

家庭在当期消费与未来需求之间寻求平衡。模型假设决策反映终身收入，而非仅限于当期薪资。

示例：大学毕业生的第一份工作

情景：一位应届毕业生开始一份年薪50,000美元的工作。

短期视角："我应该保持低支出。"

终身视角："预期收入会随时间增长，因此适度借贷是可以承受的。"

模型将这些个体决策汇总为整体消费和储蓄水平。

经济学表述：这被称为消费平滑：在生命周期中，支出比收入更为平稳。

2. 购房

住房是大多数家庭最大的支出项目，因此抵押贷款利率的影响格外显著。

示例：利率变化对住房市场的影响（2025年11月）
抵押贷款利率月供（40万美元住宅）年差额
6.0%$2,398基准
7.0%$2,661+$3,156/年
8.0%$2,935+$6,444/年

利率上升推高月供并抑制需求；模型将此映射为住房活动的下降。

3. 工作与休闲

人们根据薪资水平和对休闲的偏好决定工作时长。

示例：兼职工作决策

时薪15美元时，某人可能每周工作30小时。时薪25美元时，部分人会增加工时，而另一部分人则选择更多休闲。模型捕捉的是平均响应。

当前状态（2025年11月）

家庭平均收入：78,500美元/年（较2024年增长3.8%）
储蓄率：可支配收入的4.2%
家庭债务：总计17.5万亿美元（其中抵押贷款12.1万亿，汽车贷款1.6万亿，信用卡1.6万亿）
财富：平均家庭净资产：106万美元

含义：家庭资产负债表总体稳健，但对利率敏感。借贷成本上升对住房市场和信贷增长构成压力。

家庭部门涵盖消费、住房、投资组合配置和劳动供给。模型采用生命周期框架，通过加权汇总近似刻画异质性。

消费函数设定

总消费建模为前向看（生命周期）与后向看（经验法则）成分的加权平均：

$$C_t = \omega \cdot C_t^{LC} + (1-\omega) \cdot C_t^{RT}, \quad \omega \approx 0.60$$

生命周期成分（$C_t^{LC}$）：

由跨期最优化推导，采用对数线性化欧拉方程：

$$c_t^{LC} = \frac{1}{1+\beta} c_{t-1} + \frac{\beta}{1+\beta} E_t[c_{t+1}^{LC}] + \frac{1-\beta}{\sigma(1+\beta)}(w_t - c_t^{LC})$$

其中$w_t$为家庭财富（金融资产+人力资本）。人力资本按预期劳动收入的现值计算：

$$HC_t = E_t \sum_{s=0}^{\infty} \left(\frac{1}{1+r}\right)^s Y_t^{labor}$$

经验法则成分（$C_t^{RT}$）：

流动性受限家庭消费当期可支配收入的固定比例：

$$C_t^{RT} = \lambda \cdot (Y_t - T_t), \quad \lambda \approx 0.95$$

此设定意味着以下边际消费倾向和财富效应：

  • 暂时性收入冲击的边际消费倾向：$\approx 0.40$（加权平均）
  • 永久性收入增加的边际消费倾向：$\approx 0.85$（长期以生命周期为主）
  • 财富效应：$\partial C / \partial W \approx 0.03$（财富每增加1美元，消费增加3美分）

住房部门

住房需求：

实际住房需求（存量）由住房资本的使用成本决定：

$$\log H_t^D = \beta_0 + \beta_1 \log Y_t^{perm} + \beta_2 \log UC_t^{housing} + \epsilon_t$$

其中使用成本为：

$$UC_t = P_t^H \left[(r_t^{mortgage} + \delta_H + \tau_{property})(1-\tau_{income}) - E_t[\pi_t^H]\right]$$

估计弹性：$\beta_1 \approx 1.0$（单位收入弹性），$\beta_2 \approx -0.5$（使用成本弹性）。

住宅投资：

住房投资（流量）响应期望存量与实际存量之间的差距：

$$I_t^H = \delta_H H_{t-1} + \phi(H_t^D - H_{t-1}) + \psi \Delta H_t^D$$

其中$\phi \approx 0.15$（建设滞后导致调整缓慢），$\psi \approx 2.5$（加速器效应）。

劳动供给

总劳动供给（工时）由消费与闲暇的效用最大化推导得出。实际薪资的劳动供给弹性为：

$$\epsilon_{L,w} = \frac{d \log L}{d \log (W/P)} \approx 0.25$$

这一较低弹性反映收入效应和替代效应的相互抵消。劳动参与弹性更高，约为$0.5$，在二次就业者中尤为明显。

说明性状态变量（2025年第四季度）

# Household Sector State (Q4 2025)
Consumption_total = 14.8  # $ trillion, real 2017 dollars
Disposable_income = 17.9  # $ trillion, real
Savings_rate = 0.042      # 4.2% of disposable income

# Wealth composition
Financial_wealth = 85.3   # $ trillion (stocks, bonds, deposits)
Housing_wealth = 47.8     # $ trillion (home equity)
Total_wealth = 133.1      # $ trillion

# Debt
Mortgage_debt = 12.1      # $ trillion
Consumer_credit = 5.1     # $ trillion (auto, cards, student)
Debt_service_ratio = 0.094  # 9.4% of disposable income

# Housing market
Home_prices = 329000      # $ median existing home
Mortgage_rate = 0.072     # 7.2% 30-year fixed
Housing_starts = 1.42     # million units, SAAR

# Labor market
Participation_rate = 0.625  # 62.5% of working-age population
Hours_worked = 34.3        # average weekly hours
Real_wage_growth = 0.018   # 1.8% y/y

# Key elasticities (estimated)
epsilon_C_r = -0.12       # consumption to real rate (semi-elasticity)
epsilon_H_r = -0.50       # housing to user cost
epsilon_L_w = 0.25        # labor to real wage
MPC_transitory = 0.40     # marginal propensity to consume
wealth_effect = 0.03      # consumption to wealth

利率上调100基点的脉冲响应

季度消费（%变化）住宅投资（%变化）工时（%变化）储蓄率（百分点变化）
Q1-0.1-1.2-0.05+0.2
Q4-0.4-4.5-0.18+0.4
Q8-0.6-5.2-0.25+0.3
Q12-0.5-3.8-0.20+0.1

注：住房的响应速度快于消费，原因在于杠杆效应和住房资本的耐用性。消费效应的峰值出现较晚，因为财富效应需要逐渐积累。

企业部门

本节介绍模型如何处理企业在生产、招聘、投资和定价方面的决策。

企业的四大核心决策

1. 生产多少？

企业努力使产量与需求相匹配，但由于供应链和人员配置需要时间，产出调整存在滞后。

示例：节假日销售旺季

一家玩具制造商10月份订单激增。产量提升需要经历：

  • 采购原材料（2-3周）
  • 招聘和培训临时工（3-4周）
  • 安排额外仓储空间（数周）

模型捕捉了需求与产出之间的这些滞后。

2. 招聘多少员工？

招聘成本高且具有不确定性，因此企业调整谨慎。

实际情况：企业通常在增加正式员工之前先使用加班，只有在需求持续稳固后才会招人。

真实数据：招聘决策（2025年11月）

招聘一名员工的成本：

  • 招募费用：4,000美元
  • 培训费用：6,000美元
  • 培训期间生产效率损失：3,000美元
  • 合计：13,000美元

平均薪资60,000美元/年，加上15,000美元福利。招聘是一项长期承诺。

模型含义：就业通常滞后于产出，因为企业需要等待需求持续增长。

3. 是否新建厂房？（投资）

大型投资需要时间，且取决于预期需求和融资成本：

  • 预期销售强劲
  • 借贷成本可控
  • 不确定性有限
利率如何影响企业投资

情景：某公司考虑斥资1000万美元扩建厂房。

利率年贷款成本所需回报率决策
3%300,000美元>5%推进
5%500,000美元>7%谨慎
7%700,000美元>9%推迟

利率越高，投资门槛越高，资本支出越趋于放缓。

4. 如何定价

企业不会持续调整价格，因为频繁调价既耗费成本，又有引发客户不满的风险。

为什么价格具有"黏性"

调价成本：

  • 餐厅：重新印制菜单
  • 零售商：更换价格标签
  • 电商：更新数千个网页
  • 企业间（B2B）：重新谈判长期合同
  • 所有企业：有激怒客户的风险

模型含义：价格调整不频繁，因此通胀对政策的响应存在滞后。

当前商业状况（2025年11月）

企业投资：3.1万亿美元/年（较2023年峰值下降5%）
企业利润：2.8万亿美元/年（利润率：11.2%）
企业贷款利率：平均8.3%（高于2021年的4.5%）
产能利用率：78.5%（低于历史平均水平80%）

含义：较高的借贷成本已使投资降温。企业正在利用现有产能，而非扩张，这与政策紧缩的立场相一致。

企业部门涵盖生产、要素需求、名义刚性下的价格设定，以及含调整成本的投资。模型采用标准新古典生产函数，结合卡尔沃定价和托宾Q值投资框架。

生产技术

总生产遵循劳动增强型技术进步的柯布-道格拉斯函数：

$$Y_t = A_t K_t^\alpha (L_t H_t)^{1-\alpha}$$

其中$K_t$为资本存量，$L_t$为就业人数，$H_t$为人均工时，$A_t$为劳动生产率。估计产出弹性$\alpha \approx 0.33$（与资本收入份额一致）。

生产率演变方程为：

$$\Delta \log A_t = \mu_A + \rho_A \Delta \log A_{t-1} + \epsilon_t^A$$

趋势增长率$\mu_A \approx 0.005$（年化2.0%），持续性参数$\rho_A \approx 0.3$。

资本积累与投资

资本存量动态：

$$K_{t+1} = (1-\delta)K_t + I_t$$

折旧率$\delta \approx 0.025$（年化10%，建筑物与设备的加权平均）。

投资函数：

利润最大化得出期望资本存量：

$$K_t^* = \alpha \cdot \frac{Y_t}{UC_t^K}$$

其中资本使用成本为：

$$UC_t^K = \frac{P_t^I}{P_t}\left[(r_t + \delta)(1-\tau_c ITC) - E_t[\pi_t^I]\right] \cdot \frac{1}{1-\tau_c}$$

其中$\tau_c$为企业税率（目前为21%），$ITC$为投资税收抵免，$\pi_t^I$为投资品的资本利得。

实际投资遵循含调整成本的托宾Q值方程：

$$\frac{I_t}{K_t} = \delta + \phi_0 + \phi_1 Q_t + \phi_2 \Delta Y_t + \phi_3 CF_t$$

其中：

  • $Q_t = \frac{V_t}{P_t^I K_t}$为托宾Q值（市值/重置成本）
  • $\Delta Y_t$捕捉加速器效应
  • $CF_t$为现金流（针对流动性受限企业）

估计参数：

  • $\phi_1 \approx 0.04$（Q值弹性——调整缓慢）
  • $\phi_2 \approx 19.5$（强加速器效应）
  • $\phi_3 \approx 0.22$（22%的企业面临流动性约束）

劳动需求

最优就业：

由生产函数推导，劳动需求满足：

$$MPL_t = (1-\alpha) A_t \left(\frac{K_t}{L_t H_t}\right)^\alpha = \frac{W_t}{P_t} \cdot (1 + \tau_{payroll})$$

对数线性化得出劳动需求方程：

$$\ell_t = \frac{1}{\alpha}y_t - \frac{1}{\alpha}(w_t - p_t) + \frac{\alpha}{1-\alpha}k_t$$

劳动需求对实际薪资的长期弹性：$\epsilon_{L,W} = -\frac{1}{\alpha} \approx -3.0$。

工时调整：

企业调整工时的速度快于调整员工人数。模型设定了差异化的调整速度：

$$\Delta h_t = \lambda_h (h_t^* - h_{t-1}) + (1-\lambda_h) E_t[\Delta h_{t+1}^*]$$

其中$\lambda_h \approx 0.33$（三分之一通过加班即时调整，三分之二逐步调整）。

就业调整因招聘和解雇成本而较为缓慢：

$$\Delta \ell_t = \lambda_\ell (\ell_t^* - \ell_{t-1}) + \psi \Delta y_t$$

其中$\lambda_\ell \approx 0.10$（大约需要10个季度缩小差距），$\psi \approx 0.3$（对产出增长的即时响应）。

价格设定与菲利普斯曲线

卡尔沃定价框架：

每期有比例为$\theta$的企业无法调整价格。能够调价的企业将价格$P_t^*$设定为以下问题的最大化解：

$$\max_{P_t^*} E_t \sum_{s=0}^{\infty} (\beta \theta)^s \Lambda_{t,t+s} \left[\frac{P_t^*}{P_{t+s}} Y_{t+s}(P_t^*) - MC_{t+s} Y_{t+s}(P_t^*)\right]$$

一阶条件给出最优加成：

$$\frac{P_t^*}{P_t} = \frac{\epsilon}{\epsilon - 1} \cdot \frac{E_t \sum_{s=0}^{\infty} (\beta\theta)^s \Lambda_{t,t+s} MC_{t+s} Y_{t+s}}{E_t \sum_{s=0}^{\infty} (\beta\theta)^s \Lambda_{t,t+s} Y_{t+s}}$$

对数线性化并汇总，得到新凯恩斯菲利普斯曲线：

$$\pi_t = \beta E_t[\pi_{t+1}] + \kappa \cdot mc_t$$

其中$\kappa = \frac{(1-\theta)(1-\beta\theta)}{\theta} \cdot \frac{1-\alpha}{1-\alpha+\alpha\epsilon}$。

实证实现：

FRB/US基准菲利普斯曲线包含指数化成分和额外状态变量：

$$\pi_t = \gamma_f E_t[\pi_{t+1}] + \gamma_b \pi_{t-1} + \kappa \cdot gap_t + \mu \cdot \pi_t^{import} + \nu \cdot gap_t^{energy}$$

估计参数（2024年版本）：

  • $\gamma_f = 0.24$（前向看权重）
  • $\gamma_b = 0.76$（后向看权重）
  • $\kappa = 0.009$（平坦菲利普斯曲线）
  • $\mu = 0.075$（进口价格传递）
  • $\nu = 0.015$（能源缺口系数）

菲利普斯曲线的平坦性意味着需要更大的产出缺口才能实现通胀下行，这有助于解释近年来通胀回落进展缓慢的原因。

当前状态变量（2025年第四季度）

# Firm Sector State (Q4 2025)
GDP_real = 22.8           # $ trillion, 2017 dollars
Capital_stock = 48.2      # $ trillion, private nonresidential
Investment_rate = 0.128   # I/K ratio (12.8% of capital stock)
Depreciation_rate = 0.025 # quarterly (10% annualized)

# Production
Capacity_utilization = 0.785  # 78.5%
Labor_productivity = 2.1      # % growth rate
TFP_growth = 0.8             # % growth rate

# Employment
Employment_total = 159.2   # millions
Hours_weekly = 34.3        # average per worker
Unemployment_rate = 0.040  # 4.0%

# Pricing
Markup = 1.18             # Price/Marginal cost (18% markup)
Inflation_core_PCE = 0.026 # 2.6% y/y
Wage_inflation = 0.045     # 4.5% y/y

# Investment
Business_investment = 3.1  # $ trillion/year
User_cost_capital = 0.082  # 8.2%
Tobin_Q = 1.05            # slightly above replacement cost

# Corporate finance
Corporate_profits = 2.8    # $ trillion/year
Profit_margin = 0.112      # 11.2% of sales
Corporate_debt = 10.5      # $ trillion
Interest_coverage = 8.2    # EBIT/Interest expense

# Key elasticities (estimated)
epsilon_K_r = -1.00       # capital to user cost
epsilon_I_Q = 0.04        # investment to Tobin's Q
epsilon_L_W = -3.00       # labor to real wage
Phillips_slope = 0.009    # inflation to output gap

利率上调100基点的脉冲响应

季度投资（%变化）就业（%变化）产能利用率（百分点变化）核心通胀（百分点变化）
Q1-0.8-0.02-0.3-0.01
Q4-3.2-0.18-1.1-0.08
Q8-4.5-0.42-1.5-0.22
Q12-3.1-0.38-1.2-0.35
Q16-1.8-0.25-0.7-0.42

注：投资的响应早于就业，而通胀鉴于菲利普斯曲线的平坦性响应缓慢。

预期形成

预期处于核心地位：人们对通胀和增长的预判影响着薪资、价格和支出决策。

银行挤兑类比

当众多参与者对同一信念做出响应时，预期可能自我实现。

如果工人预期通胀上升，便会要求更高薪资；企业为覆盖成本而提价。这些行为可能使预期得以验证。

人们如何形成预期（三种方式）

1. 后向看（简单方式）

许多家庭根据近期经验进行外推。

示例：通胀预期

2019-2021年：通胀连续多年接近2%
典型预期："通胀将维持在2%左右"

2022年：通胀飙升至接近9%
更新后的预期："通胀可能持续高企"

2024-2025年：通胀回落至约2.6%
当前预期："通胀正在缓解，但仍高于目标"

这种方式简单，但调整缓慢。

2. 信任专家（跟随美联储）

部分家庭和大多数企业关注美联储的指引和预测。

真实案例：美联储"点阵图"的影响

美联储每季度公布利率预测（"点阵图"）。当预测路径发生变化时，市场迅速调整：

  • 长期债券收益率上升
  • 抵押贷款利率升高
  • 股市通常下跌

这些变动发生在政策调整实施之前。

3. 深思熟虑（理性预期）

更为复杂的参与者使用模型和政策规则形成前向看预期。

这种方式较为复杂，是模型"理性预期"选项的基础。

这对政策的意义

案例研究：美联储的公信力挑战（2021-2023年）

2021年初：美联储将通胀描述为暂时性的
→ 通胀预期保持稳定
→ 薪资和价格调整幅度有限

2021年末：通胀持续时间超出预期
→ 通胀预期上升
→ 薪资和价格更为激进地上调

教训：公信力较弱会提高通胀下行的代价。模型显示，为实现同等效果，需要更大幅度的加息。

当前预期（2025年11月）

家庭通胀预期（密歇根大学调查）：

  • 1年后通胀：3.2%（偏高但持续下降）
  • 5-10年后通胀：2.9%（接近目标，锚定良好）

市场隐含预期（基于债券）：

  • 5年通胀：2.4%
  • 10年通胀：2.3%

专业预测机构：

  • 2026年通胀：2.3%
  • 2027年通胀：2.1%

含义：长期预期仍接近美联储2%的目标，而短期预期偏高。这一组合支持维持限制性货币政策立场。

预期形成是动态机制的关键驱动因素。模型支持多种预期模式，以检验不同假设对政策传导的影响。

三种预期模式

1. 基于VAR（适应性）预期

通过对历史数据估计的简化式向量自回归形成预期：

$$E_t[X_{t+h}] = \sum_{j=0}^{p} \Phi_j X_{t-j} + \sum_{j=0}^{q} \Psi_j Z_{t-j}$$

其中$X_t$包含内生变量（GDP、通胀、利率等），$Z_t$包含外生变量。VAR通过OLS估计，滞后阶数$p$由BIC准则选择（通常$p=4$个季度）。

特性：

  • 计算速度快（无联立性问题）
  • 与适应性预期的调查证据相符
  • 生成与实际数据类似的持续性
  • 受卢卡斯批判影响（对政策体制变化不具备不变性）

多步预测：

$$E_t[X_{t+h}] = \Phi^h X_t + \sum_{j=0}^{h-1} \Phi^j \Psi Z_{t+h-j-1}$$
2. 模型一致（理性）预期

经济主体使用模型本身形成预期。对于任意变量$X_{t+h}$：

$$E_t[X_{t+h}] = f_h(S_t; \theta, \{Z_{t+j}\}_{j=0}^{h})$$

其中$f_h$为h步前向模型解，$S_t$为当前状态向量，$\theta$为结构参数，$\{Z_{t+j}\}$为外生变量路径。

求解算法：

# Model-consistent expectations solution (Newton-Raphson)
function solve_RE(model, T_horizon):
    X = initialize_guess()  # Initial trajectory

    max_iter = 100
    tolerance = 1e-6

    for iter in 1:max_iter:
        X_old = copy(X)

        # Forward pass: compute expectations
        for t in 1:T_horizon:
            E_X[t] = model_solution(X[t+1:T_horizon])

        # Backward pass: solve equilibrium conditions
        for t in T_horizon:-1:1:
            # Solve simultaneous system
            X[t] = newton_solve(
                F(X[t], X[t-1], E_X[t]) = 0,
                jacobian = compute_jacobian()
            )

        # Check convergence
        if norm(X - X_old) < tolerance:
            break

    return X, E_X
end

特性：

  • 理论上自洽（不存在套利机会）
  • 对政策具有不变性（满足卢卡斯批判）
  • 支持可信前瞻指引分析
  • 计算密集（需要迭代求解）
  • 可能存在多重均衡
3. 混合预期

VAR预期与理性预期的凸组合：

$$E_t[X_{t+h}] = \lambda \cdot E_t^{VAR}[X_{t+h}] + (1-\lambda) \cdot E_t^{RE}[X_{t+h}]$$

默认设定使用$\lambda = 0.75$（75%适应性，25%理性），反映调查证据显示大多数主体使用简单预测规则。

来自微观数据的依据：

  • 专业预测机构调查：约30%使用基于模型的预测
  • 消费者预期调查：约90%使用近期趋势
  • 企业定价调查：约70%使用后向看指数化

预期菲利普斯曲线

前向看与后向看行为的比重对通胀动态有关键影响：

$$\pi_t = \gamma_f E_t[\pi_{t+1}] + \gamma_b \pi_{t-1} + \kappa \cdot gap_t$$

估计权重$\gamma_f = 0.24$，$\gamma_b = 0.76$，菲利普斯曲线高度后向看，意味着：

  • 通胀具有持续性（$\gamma_b$高 → 通胀下行缓慢）
  • 前瞻指引影响有限（$\gamma_f$低）
  • 公信力的重要性低于纯理性预期情形

替代设定（2024年版本）：

$$\pi_t = \gamma_f E_t[\pi_{t+4}] + (1-\gamma_f) \pi_{t-1} + \kappa \cdot gap_t + \mu \cdot \pi_t^{import}$$

使用4季度前瞻预期代替1季度，$\gamma_f$提升至约0.35，但仍以后向看成分为主。

长期预期的锚定

长期通胀预期建模为：

$$\pi_t^{LR} = (1-\phi) \pi^* + \phi \pi_{t-1}^{LR} + \psi(\pi_t - \pi^*)$$

其中$\pi^* = 0.02$为美联储目标，$\phi \approx 0.95$（高度持续性），$\psi \approx 0.02$（从实际通胀中缓慢学习）。

解读：长期预期锚定良好但并非完美。通胀持续偏离目标会逐渐改变长期预期，捕捉了2021-2023年所观察到的预期去锚定风险。

预期楔子与调查数据

FRB/US可以基于调查的预期指标进行扩充：

$$E_t[X_{t+h}]^{model} = E_t[X_{t+h}]^{baseline} + \omega \cdot (E_t[X_{t+h}]^{survey} - E_t[X_{t+h}]^{baseline})$$

其中$\omega \in [0,1]$控制调查数据与模型生成预期之间的权重。

调查数据来源：

  • 密歇根大学消费者调查（通胀预期）
  • 专业预测机构调查（GDP、通胀、失业率）
  • 一级交易商调查（美联储政策路径）
  • 市场参与者调查（期限溢价、风险溢价）

当前预期状态（2025年第四季度）

# Expectations State Variables (Q4 2025)
# Consumer expectations (Michigan Survey)
inflation_1yr_ahead = 0.032      # 3.2%
inflation_5yr_ahead = 0.029      # 2.9%

# Professional forecasters (SPF)
GDP_growth_2026 = 0.022          # 2.2%
inflation_2026 = 0.023           # 2.3%
unemployment_2026 = 0.042        # 4.2%
fed_funds_2026Q4 = 0.045         # 4.5%

# Market-implied expectations (from TIPS)
breakeven_5yr = 0.024            # 2.4%
breakeven_10yr = 0.023           # 2.3%
breakeven_30yr = 0.024           # 2.4%

# Forward rates (expectations + term premium)
forward_1y1y = 0.038             # 1-year rate, 1 year ahead: 3.8%
forward_5y5y = 0.035             # 5-year rate, 5 years ahead: 3.5%

# Dealer survey (expected Fed path)
expected_cuts_2026 = 3           # Number of 25bp cuts
terminal_rate = 0.035            # Long-run neutral rate: 3.5%

# Model-internal expectations (VAR-based)
E_inflation_4q = 0.027           # 4-qtr ahead inflation: 2.7%
E_GDP_growth_4q = 0.021          # 4-qtr ahead growth: 2.1%
E_unemployment_4q = 0.041        # 4-qtr ahead unemployment: 4.1%

# Anchoring metrics
LR_inflation_exp = 0.024         # Long-run inflation expectations: 2.4%
anchoring_index = 0.85           # Index in [0,1], 1 = perfectly anchored
dispersion_inflation = 0.012     # Cross-sectional std of forecasts: 1.2pp

# Expectation revision statistics
correlation_revision_actual = 0.65  # Forecast errors partly predictable
mean_absolute_error_1yr = 0.015     # 1-year ahead MAE: 1.5pp
rational_expectations_test_pvalue = 0.08  # Weak evidence of rationality

政策含义

预期类型通胀持续性牺牲比率前瞻指引效果
纯适应性（VAR）高（0.95）3.5弱（理性预期的10%）
理性预期低（0.65）1.2强（完全效果）
混合（75/25）中等（0.88）2.8适中（理性预期的35%）
实证（FRB/US估计）高（0.92）3.2弱至适中（25%）

注：牺牲比率 = 永久通胀下降1个百分点所对应的累计产出损失（百分点年数）。后向看权重越高 → 牺牲比率越高。

投入要素与数据来源

模型的质量取决于其输入数据。准确、及时的数据对于有意义的模拟至关重要。

食谱类比

数据是模型的原材料。数据薄弱或陈旧，模型输出结果也会随之变差。

数据来自何处？

1. 政府统计机构
主要数据来源
机构测量对象更新频率
劳工统计局（BLS）失业率、就业岗位、薪资、通胀（CPI）月度
经济分析局（BEA）GDP、个人收入、消费支出季度
人口普查局人口、住房、商业活动月度/年度
美联储利率、货币供应量、工业生产日度/月度
财政部政府债务、税收收入日度/月度
2. 私营部门数据

并非所有输入都来自公共统计数据：

  • 股票市场：数千家公司的实时价格
  • 信用评级机构：公司债券收益率和违约风险
  • 调查：消费者信心、企业情绪
  • 行业协会：特定行业数据（汽车销量、新屋开工）
3. 国际组织
  • IMF：汇率、全球增长
  • OECD：国际经济指标
  • 世界银行：发展中国家数据

部分输入变量（2025年11月数据）

实体经济变量
实际GDP：22.8万亿美元（2017年美元）年增长率2.4%
失业率：4.0%历史标准下处于低位
劳动参与率：62.5%仍低于疫情前的63.4%
薪资增长：同比4.5%从6%峰值回落
价格变量
核心PCE通胀：同比2.6%美联储首选指标
CPI通胀：同比3.2%消费者感受到的通胀
油价（WTI）：每桶82美元影响能源成本
金融变量
联邦基金利率：5.25%美联储主要政策工具
10年期国债：4.45%抵押贷款基准
30年期抵押贷款利率：7.20%住房市场关键指标
标普500：4,750财富效应对消费的影响
美元指数：104.2美元强势意味着进口价格更低

数据质量挑战

为何经济数据并不完美

1. 数据修订：GDP数据随着更多信息的获取会被多次修订。

2. 时间滞后：部分数据存在发布延迟：

  • 就业数据：月底后一周
  • GDP：季度结束后一个月
  • 企业利润：可滞后2-3个月

3. 季节调整：经济本身随季节波动（圣诞节零售旺季）。统计人员会进行调整，但并非完美。

4. 测量误差：信心或预期调查可能存在噪音。

结论：模型使用不完美的数据，这是预测存在不确定性的原因之一。工作人员持续监测数据修订，并在数据变化时相应调整。

FRB/US使用约100个外生变量和365个内生变量，数据来源包括官方统计数据、市场价格和调查数据，同时关注数据修订、季节调整和测量误差。

主要数据来源与变量

经济分析局（BEA）——国民收入与产品账户
变量符号频率修订安排
实际GDP$Y_t$季度3次发布，之后年度修订
个人消费支出$C_t$季度与GDP同步
国内私人总投资$I_t$季度可能经历较大修订
PCE价格指数（核心）$\pi_t$月度仅有少量修订
企业利润$\Pi_t$季度受基准修订影响
劳工统计局（BLS）——就业与价格
变量符号频率样本规模/覆盖范围
非农就业人数$L_t$月度约13万家企业
失业率$u_t$月度6万户家庭调查
平均时薪$W_t$月度生产工人
就业成本指数$ECI_t$季度固定职位构成
CPI（城市居民）$CPI_t$月度约8万个价格报价
劳动生产率$A_t$季度单位小时产出
美联储理事会——金融与货币数据
变量符号频率数据来源系统
联邦基金利率$r_t^{FF}$日度H.15统计发布
国债收益率曲线$R_{t,n}$日度H.15（固定到期日）
公司债券收益率$R_t^{corp}$日度穆迪/ICE BofA指数
抵押贷款利率$R_t^{mort}$周度房地美调查
工业生产$IP_t$月度G.17统计发布
产能利用率$CU_t$月度G.17（制造业）

数据准备与处理

季节调整：

大多数序列使用X-13ARIMA-SEATS进行季节调整：

$$Y_t^{SA} = \frac{Y_t^{raw}}{S_t \cdot TD_t \cdot H_t}$$

其中$S_t$ = 季节因子，$TD_t$ = 交易日调整，$H_t$ = 节假日调整。

实际变量的链式加权：

实际GDP及其组成部分采用费雪理想链式加权，以处理价格结构的变化：

$$Q_t = Q_{t-1} \times \sqrt{\frac{\sum p_{t-1} q_t}{\sum p_{t-1} q_{t-1}} \times \frac{\sum p_t q_t}{\sum p_t q_{t-1}}}$$

数据修订的处理：

模型在估计时使用"最终修订"数据版本，但实时预测须考虑数据不确定性：

$$Y_t^{realtime} = Y_t^{true} + \epsilon_t^{revision}, \quad \epsilon_t^{revision} \sim N(0, \sigma_{rev}^2)$$

修订方差$\sigma_{rev}^2$由历史修订规律估计。GDP的典型修订标准差约为0.5个百分点。

当前数据版本（2025年第四季度）

# Complete Input Data State (Q4 2025)
# Real Economy
GDP_real = 22.82              # $ trillions, 2017 dollars
GDP_nominal = 28.91           # $ trillions, current dollars
GDP_deflator = 126.8          # Index, 2017 = 100
GDP_growth_qoq_ar = 0.024     # 2.4% annualized q/q growth

# Labor Market
employment_nonfarm = 159.2    # millions
unemployment_rate = 0.040     # 4.0%
participation_rate = 0.625    # 62.5%
NAIRU_estimate = 0.042        # 4.2% (CBO estimate)
job_openings = 8.1            # millions (JOLTS)
quits_rate = 0.023            # 2.3% monthly
layoffs_rate = 0.011          # 1.1% monthly

# Wages and Productivity
avg_hourly_earnings = 35.20   # $/hour
wage_growth_yoy = 0.045       # 4.5%
ECI_growth = 0.042            # 4.2% (better measure)
productivity_growth = 0.021   # 2.1% y/y
unit_labor_cost_growth = 0.024 # 2.4% y/y

# Prices
PCE_inflation_headline = 0.028  # 2.8% y/y
PCE_inflation_core = 0.026      # 2.6% y/y (Fed's target)
CPI_inflation_headline = 0.032  # 3.2% y/y
CPI_inflation_core = 0.038      # 3.8% y/y
PPI_finished_goods = 0.022      # 2.2% y/y
import_prices_growth = -0.005   # -0.5% y/y (strong dollar)

# Consumption and Investment
personal_consumption = 15.78  # $ trillions
personal_income = 24.51       # $ trillions
saving_rate = 0.042           # 4.2%
retail_sales_growth = 0.032   # 3.2% y/y

gross_private_investment = 4.82  # $ trillions
residential_investment = 0.89    # $ trillions
nonresidential_investment = 3.93 # $ trillions
business_equipment = 1.65        # $ trillions
structures = 0.76                # $ trillions

# Housing
housing_starts = 1.42         # millions, SAAR
existing_home_sales = 4.1     # millions, SAAR
median_home_price = 412000    # $
months_supply = 3.8           # Months of inventory
mortgage_rate_30yr = 0.072    # 7.2%

# Financial Markets
fed_funds_rate = 0.0525       # 5.25%
treasury_2yr = 0.0475         # 4.75%
treasury_10yr = 0.0445        # 4.45%
corporate_AAA_yield = 0.0565  # 5.65%
corporate_BAA_yield = 0.0635  # 6.35%
credit_spread_BAA_AAA = 0.0070  # 70bp

SP500_level = 4750
SP500_PE_forward = 21.2
VIX_volatility = 16.5
equity_risk_premium = 0.045   # 4.5% estimated

# Exchange Rates (foreign currency per USD)
EUR_USD = 1.052
GBP_USD = 1.248
JPY_USD = 148.5
CNY_USD = 7.28
CAD_USD = 1.382
trade_weighted_broad = 104.2

# Fiscal
federal_deficit = 1.45        # $ trillions
debt_held_public = 28.2       # $ trillions
debt_GDP_ratio = 0.976        # 97.6%
government_purchases = 1.48   # $ trillions
transfer_payments = 3.92      # $ trillions

# Energy
oil_WTI = 82.0                # $/barrel
natural_gas = 3.2             # $/mmBTU
gasoline_retail = 3.45        # $/gallon

# Global
world_GDP_growth = 0.031      # 3.1%
EU_growth = 0.008             # 0.8%
China_growth = 0.048          # 4.8%
emerging_markets_growth = 0.042  # 4.2%

# Surveys and Expectations
michigan_inflation_1yr = 0.032    # 3.2%
michigan_inflation_5yr = 0.029    # 2.9%
SPF_GDP_2026 = 0.022             # 2.2%
SPF_inflation_2026 = 0.023       # 2.3%
consumer_confidence = 102.5      # Index
business_confidence_ISM = 48.8   # <50 = contraction

# Data quality metrics
GDP_revision_std = 0.005         # 0.5pp typical revision
employment_revision_std = 75000   # jobs
inflation_measurement_error = 0.003  # 0.3pp

关键外生变量假设

若干变量被视为外生的（由模型外部决定）：

变量处理方式基准路径（2026年）敏感性
油价外生每桶78美元（下降）±10美元 → 通胀±0.15个百分点
海外需求外生增长3.0%±1个百分点 → 美国增长±0.3个百分点
财政政策外生赤字1.6万亿美元赤字变化5000亿 → GDP±0.8个百分点
生产率趋势外生年化1.8%±0.5个百分点 → 潜在GDP±0.5个百分点
劳动力增长人口学模型年化0.4%与人口预测挂钩

数据质量与不确定性

测量误差方差：

$$\text{Var}(Y_t^{observed} - Y_t^{true}) = \begin{cases} 0.0025 & \text{GDP（0.5个百分点标准差）} \\ 0.0009 & \text{通胀（0.3个百分点标准差）} \\ 0.0001 & \text{失业率（0.1个百分点标准差）} \\ 0.01 & \text{生产率（1.0个百分点标准差）} \end{cases}$$

这些误差方差被纳入随机模拟和预测置信区间。

当前预测与实例演示

本节展示模型如何将当前数据转化为基准预测和情景分析。

预测作为情景

模型在给定政策和冲击假设下产生条件预测。这是一种有条理的"假如……会怎样"分析，而非承诺。

基准预测（2025年11月至2027年）

初始状态（2025年11月）
  • GDP增长：年化2.4%
  • 失业率：4.0%
  • 通胀（核心PCE）：2.6%
  • 联邦基金利率：5.25%
美联储预期政策路径

基准情景假设利率在2026年年中前维持在5.25%，随后逐步降至2026年底的4.50%，并在2027年底降至3.50%。

实例演示：逐季分析

2025年第四季度 → 2026年第一季度：限制性政策持续发挥作用

  • 利率维持在5.25%，抵押贷款利率接近7.2%
  • 住房和投资持续疲软
  • 劳动收入支撑消费
  • 结果：增长放缓至约1.8%，失业率小幅升至4.1%

2026年第二至第四季度：美联储开始降息

  • 利率降至4.50%
  • 抵押贷款利率下降至6.5%附近
  • 融资成本下降带动投资改善
  • 通胀继续向2%靠拢
  • 结果：增长恢复至约2.2%，失业率在4.2%附近企稳

2027年：软着陆

  • 政策利率降至3.50%
  • 通胀接近2.1%
  • 失业率约为4.2%
  • GDP增长接近2.0%
  • 结果：稳定扩张

基准预测汇总

时期GDP增长失业率通胀联邦基金利率
当前（2025年第四季度）2.4%4.0%2.6%5.25%
2026年底2.1%4.2%2.3%4.50%
2027年底2.0%4.2%2.1%3.50%
长期（可持续）2.0%4.2%2.0%3.50%

解读：基准情景意味着软着陆：通胀在不引发衰退的情况下下行，增长保持正值，失业率温和上升。

替代情景：如果情况发生变化？

情景一："通胀持续黏性"（风险情景）

假设：通胀维持在3%附近，而非回落至2%

模型预测：

  • 利率保持在较高水平的时间更长（5.25%维持至2026年全年）
  • 住房和投资进一步走弱
  • GDP增长放缓至约1.2%
  • 失业率上升至4.8%附近
  • 通胀回归目标的产出代价更大

启示：持续性通胀加剧了更为明显的经济放缓风险。

情景二："衰退冲击"（压力测试）

假设：2026年发生金融冲击

模型预测：

  • GDP在一至两个季度内急剧收缩
  • 失业率上升至5.5%附近
  • 政策利率快速下调
  • 财政支持力度可能加大
  • 复苏需要数个季度

启示：复苏路径在很大程度上取决于政策响应。

情景三："生产率繁荣"（乐观情景）

假设：生产率增长从1.8%提升至3.0%

模型预测：

  • GDP可在不引发通胀压力的情况下更快增长
  • 薪资随生产率上升
  • 政策利率可以维持在较低水平
  • 生活水平提升更快
  • 上行风险增加

启示：生产率更快增长缓解了通胀与产出之间的权衡。

这些预测有多准确？

历史预测表现

回顾过去FRB/US预测与实际结果的比较：

  • 1季度前瞻GDP：平均偏差±0.8个百分点
  • 4季度前瞻GDP：平均偏差±1.5个百分点
  • 1年前瞻通胀：偏差±0.5个百分点
  • 2年前瞻通胀：偏差±1.0个百分点

结论：预测精度随预测期延长而下降。外部冲击可能使任何基准情景失效。

美联储的观点：模型有助于界定范围和权衡关系，而非精确结果。

本节基于2025年第四季度数据，采用明确假设和方法论，提供完整的预测演示。

基准预测设定（2026-2028年）

政策假设：

$$r_t^{policy} = \begin{cases} 0.0525 & t \leq 2026:Q2 \\ 0.0500 & 2026:Q3 \\ 0.0475 & 2026:Q4 \\ 0.0450 & 2027:Q1 \\ 0.0450 - 0.0025 \cdot (t - 2027:Q1) & t > 2027:Q1 \end{cases}$$

终端（中性）利率$r^* = 0.035$于2027年第四季度达到。

财政假设：

外生变量路径：

完整季度预测表

# Full Quarterly Forecast: Q4 2025 through Q4 2028
Quarter    GDP_gr  Unemp  Infl_PCE  FF_Rate  10Y_Tsy  Cons_gr  Inv_gr  Home_pr
2025:Q4    2.4     4.0    2.6       5.25     4.45     2.8      1.2     412000
2026:Q1    1.8     4.1    2.5       5.25     4.38     2.2      -0.8    408000
2026:Q2    1.9     4.1    2.4       5.25     4.32     2.3      0.2     405000
2026:Q3    2.0     4.2    2.3       5.00     4.18     2.4      1.5     403000
2026:Q4    2.1     4.2    2.3       4.50     3.95     2.5      2.8     405000
2027:Q1    2.2     4.2    2.2       4.25     3.85     2.6      3.2     408000
2027:Q2    2.1     4.2    2.1       4.00     3.75     2.5      3.0     412000
2027:Q3    2.0     4.2    2.1       3.75     3.68     2.4      2.5     415000
2027:Q4    2.0     4.2    2.1       3.50     3.60     2.3      2.2     418000
2028:Q1    2.0     4.2    2.0       3.50     3.58     2.3      2.0     420000
2028:Q2    2.0     4.2    2.0       3.50     3.55     2.3      2.0     422000
2028:Q3    2.0     4.2    2.0       3.50     3.55     2.3      2.0     424000
2028:Q4    2.0     4.2    2.0       3.50     3.55     2.3      2.0     426000

# All growth rates in % annualized, rates in %, prices in $
# GDP_gr = Real GDP growth
# Unemp = Unemployment rate
# Infl_PCE = Core PCE inflation
# FF_Rate = Federal Funds target
# 10Y_Tsy = 10-year Treasury yield
# Cons_gr = Real consumption growth
# Inv_gr = Real business investment growth
# Home_pr = Median existing home price

GDP增长预测分解

成分2025年（百分点）2026年（百分点）2027年（百分点）2028年（百分点）
个人消费+1.9+1.6+1.6+1.6
企业投资+0.2+0.3+0.5+0.4
住宅投资-0.1+0.1+0.2+0.1
政府+0.4+0.3+0.2+0.2
净出口-0.2-0.3-0.4-0.3
库存变化+0.20.0-0.10.0
GDP增长合计+2.4+2.0+2.0+2.0

含完整路径的替代情景

情景A："持续通胀"（不利情景）

假设：核心PCE在2026年全年维持在3.0%，需要更激进的美联储政策响应。

# Alternative Scenario A: Persistent Inflation
Quarter    GDP_gr  Unemp  Infl_PCE  FF_Rate  Deviation_from_Base
2026:Q1    1.4     4.2    3.0       5.25     -0.4pp GDP
2026:Q2    1.2     4.3    2.9       5.50     -0.7pp GDP
2026:Q3    0.8     4.6    2.8       5.75     -1.2pp GDP
2026:Q4    0.5     4.9    2.6       5.75     -1.6pp GDP
2027:Q1    0.8     5.2    2.4       5.50     -1.4pp GDP
2027:Q2    1.2     5.3    2.2       5.00     -0.9pp GDP
2027:Q3    1.8     5.1    2.1       4.50     -0.2pp GDP
2027:Q4    2.0     4.8    2.0       4.00     0.0pp GDP

# Sacrifice ratio realized: ~3.2 (consistent with model calibration)
# Cumulative output loss: ~4.5pp-years
# Peak unemployment: 5.3% (vs 4.2% baseline)

情景B："金融压力"（尾部风险）

假设：2026年第二季度信贷利差冲击+300基点，持续3个季度。

# Alternative Scenario B: Financial Crisis
Quarter    GDP_gr  Unemp  Infl_PCE  FF_Rate  Credit_Spread
2026:Q1    0.8     4.3    2.4       5.25     180bp
2026:Q2   -2.1     4.8    2.0       4.50     480bp (shock)
2026:Q3   -1.5     5.5    1.5       3.00     420bp
2026:Q4    0.2     6.1    1.2       2.00     320bp
2027:Q1    2.8     6.0    1.4       2.00     220bp
2027:Q2    3.5     5.5    1.8       2.00     190bp
2027:Q3    3.2     5.0    2.0       2.25     180bp
2027:Q4    2.5     4.6    2.1       2.50     175bp

# Recovery profile: Sharp V-shape due to aggressive policy
# Peak-to-trough GDP: -3.6%
# Duration in recession: 2 quarters
# Time to return to baseline: ~10 quarters

情景C："生产率激增"（乐观情景）

假设：趋势生产率加速至3.0%（人工智能驱动的收益）。

# Alternative Scenario C: Productivity Boom
Quarter    GDP_gr  Unemp  Infl_PCE  FF_Rate  Real_Wage_gr
2026:Q1    2.8     3.9    2.3       5.25     5.2
2026:Q2    3.2     3.8    2.2       5.00     5.8
2026:Q3    3.5     3.7    2.1       4.75     6.1
2026:Q4    3.6     3.6    2.0       4.50     6.3
2027:Q1    3.5     3.6    2.0       4.25     6.2
2027:Q2    3.4     3.6    2.0       4.00     6.0
2027:Q3    3.3     3.6    2.0       3.75     5.8
2027:Q4    3.2     3.6    2.0       3.50     5.6

# Potential GDP grows at 3.2% (vs 2.0% baseline)
# No inflation pressure despite rapid growth
# Real wages accelerate substantially
# Policy can remain accommodative

预测不确定性与置信区间

通过随机模拟（1000次抽样）量化预测不确定性：

变量预测期70%置信区间90%置信区间偏度
GDP增长4个季度[1.0%, 3.2%][0.3%, 4.1%]-0.15
GDP增长8个季度[0.8%, 3.5%][-0.5%, 4.8%]-0.22
失业率4个季度[3.8%, 4.6%][3.5%, 5.1%]+0.35
失业率8个季度[3.6%, 5.0%][3.2%, 5.8%]+0.42
核心PCE通胀4个季度[1.8%, 2.8%][1.5%, 3.2%]+0.18
核心PCE通胀8个季度[1.5%, 2.9%][1.2%, 3.5%]+0.25

注：GDP偏度为负（下行风险为主），失业率和通胀偏度为正（上行风险为主）。反映了非对称损失函数和菲利普斯曲线的非线性特征。

历史预测表现指标

均方根误差（2000-2023年）：

$$RMSE_h = \sqrt{\frac{1}{T} \sum_{t=1}^{T} (f_{t,h} - a_t)^2}$$
变量1季度前瞻4季度前瞻8季度前瞻对比朴素预测
GDP增长0.8百分点1.5百分点2.1百分点提升28%
失业率0.2百分点0.5百分点0.9百分点提升35%
核心PCE通胀0.4百分点0.8百分点1.2百分点提升22%
联邦基金利率0.3百分点0.8百分点1.4百分点提升15%

方向性准确率：

偏差检验（明瑟-扎诺维茨回归）：

$$a_t = \alpha + \beta f_{t,h} + \epsilon_t$$
变量$\hat{\alpha}$$\hat{\beta}$$H_0: (\alpha, \beta) = (0,1)$ p值
GDP增长（4季度）0.310.890.15（无偏差）
通胀（4季度）-0.181.080.22（无偏差）
失业率（4季度）0.420.910.08（边际偏差）

解读：对GDP和通胀的预测总体无偏，对失业率存在轻微上行偏差（倾向于低估失业率上升）。

实际应用

本节概述该模型在政策分析、公众沟通和压力测试中的应用方式。

从理论到实践

模型不做决策。它帮助工作人员在不同假设和政策路径下比较结果。

美联储如何使用该模型

1. 为FOMC会议做准备（每年8次）
美联储会议前一周

周一至周二：

  • 用最新数据更新模型
  • 在政策不变假设下运行基准预测
  • 检查对通胀和就业的含义

周三：

  • 运行替代政策路径
  • 比较GDP、失业率和通胀的结果
  • 识别各目标之间的权衡

周四：

  • 准备简报材料
  • 为决策者制作图表和表格
  • 纳入置信区间

会议当天：

  • 向FOMC成员展示模型结论
  • 成员综合模型结果和判断
  • 做出决策：加息、降息或维持不变
2. 与公众沟通
"点阵图"与经济预测摘要

美联储每季度公布基于模型结果和判断的经济预测。

美联储公布的内容：

  • 未来3年GDP增长预测
  • 失业率预测
  • 通胀预测
  • 联邦基金利率预期路径（著名的"点阵图"）

为何重要：点阵图发生变化时，市场迅速重新定价：

  • 预期利率更高会推高借贷成本
  • 预期降息可以提振风险资产
  • 债券投资组合随之调整

示例（2022年6月）：点阵图上移，抵押贷款利率随之快速上涨。

3. 对金融体系进行压力测试
年度银行压力测试

美联储使用该模型为银行压力测试设计"严重不利"情景：

典型压力情景：

  • 严重衰退：GDP下降4%
  • 失业率升至10%
  • 房价下跌25%
  • 股市崩跌50%

银行须证明：具备足够资本以吸收损失并维持贷款。

为何重要：压力测试降低了再次发生系统性银行危机的概率，有助于保护存款人。

其他使用该模型的机构

国会及政府机构
  • 国会预算办公室（CBO）：使用类似模型进行10年预算预测
  • 财政部：分析税收变化对经济的影响
  • 示例：CBO对2017年减税法案的增长效应进行了建模
金融机构
  • 投资银行：就利率敏感型投资向客户提供建议
  • 养老基金：规划长期资产配置
  • 示例：资产配置者使用模型权衡债券和股票的风险敞口
学术研究人员
  • FRB/US代码可公开获取用于研究
  • 全球经济学家使用它研究政策问题
  • 示例：研究人员研究财政政策和分配效应

案例研究：模型的实际运用

案例一：新冠疫情应对（2020年）

危机：2020年3月经济突然停摆。

模型的作用：

  1. 第1周（3月中旬）：工作人员运行紧急情景，评估经济下行幅度和政策应对规模。
  2. 第2周：美联储将利率降至零并启动大规模资产购买。
  3. 此后数月：模型帮助追踪复苏进程和政策立场。

结果：政策应对规模较大，复苏速度按历史标准较快。

案例二：2021-2023年通胀事件

挑战：通胀急剧上升，峰值接近9%。

模型的作用：

  1. 2021年底：早期运行低估了持续的供需压力。
  2. 2022年初：更新后的数据显示需要更有力的紧缩路径。
  3. 2022-2023年：模型帮助评估加息节奏和增长代价。

迄今结果：到2025年底，通胀已缓解至约2.6%，未引发衰退，与软着陆相吻合。

案例三：2008年金融危机

危机：住房市场崩溃导致银行倒闭、信贷冻结和深度衰退。

模型局限性的暴露：

  • 2008年版本的FRB/US没有详细的金融部门
  • 无法预测住房市场崩溃如何冻结信贷市场
  • 低估了衰退的严重程度

这如何改进了模型：

  • 2008年后，美联储增加了金融摩擦和信贷渠道
  • 现已纳入银行贷款标准、信贷利差、家庭债务动态
  • 更好地应对未来金融危机

教训：模型在经验中不断演进，并在重大冲击后持续更新。

模型的局限性

需要记住的重要局限性

该模型是强大的工具，但并非万能：

  • 无法预测冲击：重大危机不可预测
  • 无法捕捉一切：行为、政治和金融可能迅速改变
  • 依赖假设：结果反映输入数据
  • 预测期越长越不准确：不确定性随预测期延长而增大

结论：模型是众多工具之一，需与市场信号、调查数据和判断共同使用。

展望：模型如何演进

进行中的改进
  • 气候经济学：对生产率、投资和人口迁移的影响
  • 人工智能与自动化：生产率和劳动力市场影响
  • 不平等：超越代表性家庭框架
  • 数字货币：对货币传导的含义
  • 全球化格局变化：近岸外包和供应链变化

模型随经济演变而持续更新。

本节概述FRB/US在政策审议、压力测试以及外部研究和市场应用中的操作用途。

FOMC政策分析工作流程

# Typical FOMC Cycle Policy Analysis (8 times per year)

## T-10 days: Data Compilation
- Collect latest releases: GDP, employment, inflation, financial data
- Perform seasonal adjustment and quality checks
- Update exogenous variable assumptions (oil, foreign demand, fiscal)
- Validate data consistency with NIPA identities

## T-7 days: Baseline Forecast Construction
# Generate baseline using VAR expectations
baseline = solve_frbusmodel(
    mode = "VAR",
    policy_rule = "inertial_Taylor",
    horizon = 12_quarters,
    initial_conditions = current_data,
    exogenous_path = baseline_assumptions
)

# Alternative: RE expectations for selected scenarios
baseline_RE = solve_frbusmodel(
    mode = "RE",
    policy_rule = "optimal_commitment",
    horizon = 12_quarters
)

## T-5 days: Alternative Policy Scenarios
scenarios = []
for policy_path in [
    hold_current_rate_4qtrs,
    cut_25bp_per_qtr,
    hike_25bp_per_qtr,
    outcome_based_rule
]:
    scenario = solve_frbusmodel(
        policy_path = policy_path,
        mode = "VAR",
        horizon = 12_quarters
    )
    scenarios.append(scenario)

## T-3 days: Stochastic Simulations
# Generate uncertainty quantification
stoch_results = run_stochastic_simulations(
    n_draws = 1000,
    shock_distribution = estimated_shock_cov,
    forecast_horizon = 12_quarters
)

# Extract confidence bands
CI_70 = extract_quantiles(stoch_results, [0.15, 0.85])
CI_90 = extract_quantiles(stoch_results, [0.05, 0.95])

## T-2 days: Risk Assessment
# Asymmetric risks via scenario probability weights
downside_scenarios = [
    "financial_stress": 0.15,
    "persistent_inflation": 0.20,
    "supply_shock": 0.10
]

upside_scenarios = [
    "productivity_boom": 0.10,
    "faster_disinflation": 0.15
]

risk_adjusted_forecast = compute_weighted_average(
    [baseline] + scenarios,
    weights = [0.50] + scenario_probs
)

## T-1 day: Prepare Briefing Materials
# Generate Tealbook charts and tables
- GDP growth fan chart with confidence intervals
- Inflation projection vs. target
- Unemployment gap visualization
- Taylor rule prescription vs. actual policy
- Alternative scenario comparisons
- Risk assessment summary

## Meeting Day: Presentation and Deliberation
- Staff presents baseline and alternatives
- FOMC members receive model outputs
- Discussion incorporates model + judgment + market signals
- Decision announced with SEP (Summary of Economic Projections)

压力测试应用（CCAR/DFAST）

FRB/US为综合资本分析与审查（CCAR）提供宏观经济情景：

"严重不利"情景生成：

$$\text{Scenario Design: } Y_{t}^{severe} = Y_t^{baseline} + \Delta_{shock} + \Delta_{propagation}$$

冲击根据历史压力时期（2008-2009年、1980-82年、1974-75年）进行校准。

# Severely Adverse Scenario Construction (Typical CCAR)

## Shock Specification
shocks = {
    "financial_crisis": {
        "equity_market": -50%,        # S&P 500 falls 50%
        "house_prices": -25%,         # Home prices drop 25%
        "credit_spread": +500bp,      # Corporate spreads spike
        "VIX": spike to 70,           # Extreme volatility
        "foreign_demand": -15%        # Global recession
    },

    "real_shock": {
        "productivity": -2%,          # TFP decline
        "labor_supply": -1%,          # Participation drops
        "confidence": -30%            # Sentiment collapses
    }
}

## Propagation Through FRB/US
severe_scenario = solve_frbusmodel(
    initial_shocks = shocks,
    duration = 13_quarters,
    policy_response = "aggressive_easing",  # Fed cuts to ZLB
    fiscal_response = "automatic_stabilizers",
    mode = "VAR"  # Use adaptive expectations in crisis
)

## Typical Severely Adverse Output
# Peak impacts (trough quarter):
- Real GDP: -4.0% (cumulative)
- Unemployment rate: 10.0%
- Equity prices: -50%
- House prices: -25%
- Commercial real estate: -35%
- BBB corporate spread: +570bp

# Recovery path:
# Gradual return to baseline over 9-13 quarters
# Fed keeps rates at zero for extended period
# Fiscal deficit widens 4-5pp of GDP

银行层面应用：

银行使用FRB/US情景在压力下预测损失：

$$\text{Credit Loss}_i = f_i(PD_t, LGD_t, EAD_t | \text{FRB/US}_t^{severe})$$

其中违约概率（PD）和违约损失率（LGD）是宏观经济情景的函数。

国会预算办公室（CBO）整合

CBO维护FRB/US的一个变体，用于10年预算窗口预测：

应用对FRB/US的修改主要用途
基准预算预测延长预测期（40个季度）10年赤字和债务预测
税收政策评分详细税法模块立法收入估算
社会福利支出预测人口结构转变社会保障/医疗保险支出
财政乘数分析替代预期机制刺激计划影响估算

金融市场应用

投资银行政策分析台的使用：

示例：利率分析台工作流程：

# Investment Bank Rates Strategy Using FRB/US

## Step 1: Replicate Fed's Baseline
fed_baseline = solve_frbusmodel(
    calibration = "Federal_Reserve_2024",
    expectations = "VAR",
    policy_rule = "estimated_historical"
)

## Step 2: Overlay Market Pricing
market_implied_path = extract_from_fed_funds_futures()
market_implied_terminal = extract_from_forwards()

## Step 3: Identify Mispricings
pricing_gap = market_implied_path - fed_baseline.policy_path

## Step 4: Risk Scenarios
# If model says Fed needs to hike more than priced:
scenario_1 = solve_frbusmodel(
    policy_path = model_optimal,  # Higher than market
    compute_bond_yields = True
)

# If market is too hawkish:
scenario_2 = solve_frbusmodel(
    policy_path = market_implied,
    compute_growth_impact = True  # How much growth damage?
)

## Step 5: Trading Recommendation
if pricing_gap > 50bp:
    recommendation = "Short 2y Treasury (yields rise)"
    rationale = "Market underpricing Fed hiking cycle"
    conviction = high

学术研究应用

使用FRB/US的近期研究：

研究问题模型修改主要发现
最优通胀目标$\pi^*$从1%变化到4%2-2.5%使损失函数最小化
前瞻指引有效性比较VAR与理性预期效果约为理性预期预测的30-40%
零利率下限处的财政乘数约束$r_t \geq 0$零利率下限处乘数大2-3倍
气候变化影响添加生产率损害函数2050年前年均GDP拖累0.1-0.3个百分点
全民基本收入增加转移支付，修改劳动供给轻微通胀压力，取决于融资方式
自动化与不平等双主体模型（技能高/低）资本份额上升，工资两极分化

实际应用中的局限性

实际应用中的已知弱点

1. 尾部风险与非线性危机：

FRB/US在稳态附近进行线性化，在极端事件中表现较差：

  • 金融恐慌（2008年）：信贷冻结未被捕捉
  • 疫情（2020年）：供给停摆机制缺失
  • 零利率下限：接近零利率时线性化不准确

2. 预期形成：

VAR预期在体制变化期间不足：

  • 遗漏1980年后的通胀下行（沃尔克冲击）
  • 低估2021-2023年通胀持续性
  • 前瞻指引效果弱于理论预测

3. 金融部门的简化性：

银行中介和信贷摩擦处理有限：

  • 无银行资本要求
  • 杠杆周期动态极少
  • 影子银行部门缺失

4. 异质性：

代表性主体框架遗漏了分配效应：

  • 富裕家庭的边际消费倾向接近零
  • 受约束家庭的边际消费倾向≈1.0
  • 总体边际消费倾向取决于财富分布

5. 结构性变化：

基于历史数据估计的参数可能不稳定：

  • 菲利普斯曲线斜率从0.03（1960年代）降至0.01（2010年代）
  • 自然利率$r^*$从4%降至2.5%
  • 2010年后薪资菲利普斯曲线基本持平

政策分析中使用的互补模型

美联储工作人员使用多个模型进行稳健性检验：

模型类型相对FRB/US的优势用途
EDO（估计DSGE）贝叶斯DSGE理论一致，理性预期交叉验证政策情景
SIGMA（多国模型）开放经济DSGE国际联系，汇率全球溢出效应分析
因子模型（预测）统计VAR/因子短期预测精度当季即时预测
基于调查的预测调查汇编市场预期，公信力评估预期锚定
地区联储模型行业/地区模型行业细节，地理差异地区异质性

实际操作：美联储工作人员使用4-6个模型准备预测，向FOMC展示结果范围。决策者综合基于模型的分析与来自商业接触、市场信号和定性因素的实时信息。

模型校准与估计

本节概述FRB/US的参数估计方法、识别策略和校准选择。

估计策略概述

FRB/US采用混合估计方法，结合以下三种方式：

# Estimation Philosophy and Sequence

## Phase 1: Estimate reduced-form relationships
# Use OLS/MLE on individual equations
# Obtain consistent estimates ignoring simultaneity
# Example: Consumption function
C_t = beta_0 + beta_1*Y_t + beta_2*W_t + beta_3*r_t + epsilon_t
# Estimate via OLS with HAC standard errors

## Phase 2: Incorporate expectations
# Replace E_t[X_{t+h}] with VAR-generated forecasts
# Re-estimate equations with constructed expectations
# Example: Consumption Euler equation
C_t = gamma_1*E_t[C_{t+1}] + gamma_2*C_{t-1} + gamma_3*(r_t - E_t[pi_{t+1}]) + epsilon_t
# Estimate via GMM with E_t[.] replaced by VAR forecast

## Phase 3: Impose theoretical restrictions
# Apply long-run homogeneity, adding-up constraints
# Example: Production function
log(Y_t) = alpha*log(K_t) + (1-alpha)*log(L_t) + log(A_t)
# alpha calibrated to capital share in national accounts (~0.33)

## Phase 4: Validate system properties
# Solve full model, check for:
- Stability (eigenvalues of linearized system)
- Cointegration relationships hold
- Impulse responses economically sensible
- Forecast performance on holdout sample

## Phase 5: Iterative refinement
# If system properties unsatisfactory:
- Adjust poorly-identified parameters
- Impose additional constraints
- Re-estimate with updated priors

关键参数估计结果

消费模块：

$$c_t = \gamma_1 E_t[c_{t+1}] + \gamma_2 c_{t-1} + \gamma_3 (w_t - c_t) + \gamma_4 (r_t - E_t[\pi_{t+1}]) + \epsilon_t^c$$
参数估计值标准误解读
$\gamma_1$0.38(0.08)前向看权重
$\gamma_2$0.62(0.08)后向看权重（习惯形成）
$\gamma_3$0.03(0.005)财富效应（每美元3美分）
$\gamma_4$-0.12(0.03)利率半弹性

投资模块：

$$\frac{I_t}{K_t} = \phi_0 + \phi_1 Q_t + \phi_2 \Delta \log Y_t + \phi_3 \frac{CF_t}{K_t} + \epsilon_t^I$$
参数估计值标准误识别方式
$\phi_1$0.042(0.012)Q值变动（股市波动性）
$\phi_2$19.5(3.2)产出增长相关性
$\phi_3$0.18(0.06)现金流敏感性（流动性）

菲利普斯曲线：

$$\pi_t = \gamma_f E_t[\pi_{t+1}] + \gamma_b \pi_{t-1} + \kappa \cdot gap_t + \mu \cdot \pi_t^{import} + \epsilon_t^\pi$$
参数估计值（1985-2019年）估计值（2000-2019年）变化/不稳定性
$\gamma_f$0.320.24↓ 前向看权重下降
$\gamma_b$0.680.76↑ 更具后向看特征
$\kappa$0.0190.009↓ 趋于平坦（关键发现）
$\mu$0.080.075进口传递效应稳定

关键发现：菲利普斯曲线在2000年后趋于平坦，牺牲比率从约2.0上升至3.5。这是模型中最重要的参数不稳定性问题。

识别挑战与解决方案

1. 联立方程偏差：

许多行为方程右端含有内生变量。例如：消费取决于收入，但收入又取决于消费。

解决方案：工具变量估计：

$$C_t = \beta Y_t + \epsilon_t, \quad E[\epsilon_t | Z_t] = 0$$

其中工具变量$Z_t$包括滞后值、外生冲击（油价、海外需求）和政策变量。

2. 预期项：

$E_t[X_{t+h}]$不可观测，需构造人工变量：

$$\hat{E}_t[X_{t+h}] = \Phi^h X_t \quad \text{（来自VAR）}$$

这引入了生成回归量偏差，需要自举法（Bootstrap）标准误。

3. 结构性断点：

参数随时间表现出不稳定性。通过以下方式进行检验：

$$H_0: \beta_{1985-1999} = \beta_{2000-2019} \quad \text{（Chow检验）}$$

结果：菲利普斯曲线存在显著断点（p < 0.01），消费/投资存在轻微断点（p ≈ 0.05-0.10）。

解决方案：通过滚动窗口或贝叶斯方法估计时变参数。

未经估计参数的校准

参数取值来源/依据
生产函数资本份额$\alpha$0.33国民收入账户资本收入份额
折旧率$\delta$0.025BEA固定资产表（季度）
贴现因子$\beta$0.995对应年化2%贴现率
跨期替代弹性$\sigma$2.0微观研究（IES ≈ 0.5）
弗里什劳动弹性0.5宏观劳动供给文献
卡尔沃价格持续期$1/(1-\theta)$4个季度Bils-Klenow微观价格数据
卡尔沃薪资持续期4个季度泰勒合同文献
中性实际利率$r^*$0.5%劳巴赫-威廉姆斯估计（2024年）
NAIRU $u^*$4.2%CBO估计，卡尔曼滤波
趋势生产率增长$\mu_A$1.8%BLS预测

估计数据与样本

样本期间：1966年第一季度至2023年第四季度（232个季度）

起始日期的依据：

数据版本："最终修订"版本（截至2024年第三季度）

频率：季度（模型原生频率）

子样本稳健性：

模型验证与诊断检验

1. 样本内拟合：

变量$R^2$RMSE对比AR(4)模型
GDP增长0.680.9个百分点提升30%
失业率0.920.3个百分点提升25%
核心通胀0.850.5个百分点提升20%
联邦基金利率0.940.6个百分点提升15%

2. 样本外预测精度：

2000-2023年递归预测（滚动扩展窗口）：

预测期GDP RMSE通胀RMSEDiebold-Mariano对比VAR
1个季度0.8个百分点0.4个百分点p = 0.03（FRB/US更优）
4个季度1.5个百分点0.8个百分点p = 0.12（边际）
8个季度2.1个百分点1.2个百分点p = 0.45（无差异）

3. 脉冲响应验证：

将FRB/US脉冲响应与已识别VAR（罗默-罗默货币冲击）进行比较：

结论：模型动态与已识别的实证证据总体一致。

持续存在的估计问题与研究方向

当前挑战

1. 时变参数：

关键参数随时间漂移，尤其是：

  • 菲利普斯曲线斜率$\kappa$持续下降
  • 中性利率$r^*$从4%（1990年代）降至2.5%（2020年代）
  • NAIRU不确定，可能在3.8%-4.5%区间

当前研究方向：贝叶斯时变参数模型

2. 金融摩擦：

金融部门细节不足导致：

  • 低估信贷渠道的重要性
  • 无法捕捉金融加速器动态
  • 金融危机期间表现较差

当前研究方向：整合伯南克-格特勒-吉尔克里斯特金融加速器

3. 异质性：

代表性主体框架忽略分配层面：

  • 边际消费倾向随财富/收入差异显著
  • 财政政策效果取决于政策指向
  • 货币传导在不同家庭间不对称

当前研究方向：双主体HANK（异质性主体新凯恩斯主义）变体

4. 预期形成：

VAR预期在以下情况下表现较差：

  • 体制变化（沃尔克通胀下行，零利率下限时期）
  • 前瞻指引事件（效果被高估）
  • 结构性断点（新冠疫情，通胀激增）

当前研究方向：学习模型，与调查一致的预期

软件实现与代码可用性

FRB/US模型代码公开可用：

% Example: Running FRB/US in MATLAB

% Load model
load('FRBUSmodel_2024Q3.mat');

% Set baseline assumptions
baseline.initial_conditions = current_data;
baseline.exogenous_path = standard_assumptions();
baseline.expectations_mode = 'VAR';
baseline.policy_rule = 'inertial_Taylor';

% Solve model
[Y, info] = solve_frbus(model, baseline);

% Extract key variables
GDP_growth = Y.GDP_real_growth;
unemployment = Y.unemployment_rate;
inflation = Y.PCE_core_inflation;
fed_funds = Y.federal_funds_rate;

% Plot results
plot_forecast(GDP_growth, unemployment, inflation, fed_funds);

% Alternative scenario
alt_scenario = baseline;
alt_scenario.policy_rule = 'aggressive_hike';
[Y_alt, info_alt] = solve_frbus(model, alt_scenario);

% Compare
compare_scenarios(Y, Y_alt);

局限性与批判性分析

每个模型都有其局限性。理解这些局限性有助于更好地使用模型结果。

天气预报类比

模型在短期预测中精度较高，在罕见或极端事件中精度较低。这一权衡关系同样适用于经济模型。

七个需要了解的关键局限性

1. 无法预测意外冲击

问题所在：模型假设一个基准世界，无法预见罕见冲击：

  • 大流行病（新冠疫情）
  • 金融危机（2008年）
  • 战争（乌克兰入侵）
  • 重大技术突破（人工智能革命）
  • 政治意外（出人意料的选举结果、政策逆转）

为何重要：这些事件往往导致实际结果大幅偏离任何基准情景。

美联储的做法：工作人员运行压力情景，尽管无法预测时机。

2. 假设人比实际更理性

问题所在：模型假设前向看行为。而实际决策可能受心理和不确定性驱动：

  • 恐慌：支出或储蓄的突然转变
  • 羊群行为：趋势交易或投机狂潮
  • 过度自信：对住房或股权周期的错误判断
  • 情绪：恐惧与乐观情绪可能主导基本面

含义：模型在正常时期表现最佳，可能错过转折点。

3. 将所有人视为"平均个体"

问题所在：模型使用代表性家庭和企业。分配效应可能存在差异：

为何重要：利率变化示例

当美联储将利率从0%提高到5%时：

  • 富裕家庭：全额购房，持有储蓄
    • 效果：储蓄收益增加
    • 响应：支出变化不大
  • 中产阶级家庭：有抵押贷款，有部分储蓄
    • 效果：收入和成本的混合影响
    • 响应：适度削减支出
  • 工薪阶层家庭：租房，无储蓄，有信用卡债务
    • 效果：借贷成本升高
    • 响应：大幅削减支出

模型对这些效果取平均，可能忽略分配影响。

4. 通胀预测难度加大

问题所在：失业率与通胀之间的关系（菲利普斯曲线）已经弱化。

1970-80年代：

  • 失业率下降1% → 通胀上升0.5%
  • 关系强劲且可预测

2010年以来：

  • 失业率从10%降至3.5%（2010-2019年）
  • 整个期间通胀保持在2%！
  • 关系弱化

2021-2022年：

  • 通胀突然飙升至9%
  • 大多数模型低估了这次通胀激增

结论：由于历史关系已发生变化，通胀预测的可靠性下降。

5. 金融部门建模薄弱

问题所在：银行、信贷和金融市场被简化处理。这限制了2008年的预测表现：

2008年模型遗漏的内容：

  • 房价下跌如何冻结银行贷款
  • 一家银行倒闭如何连锁影响其他银行
  • 信贷冻结如何重创经济

模型预测：温和衰退

实际发生：深度衰退，大量就业岗位流失

教训：金融危机需要比基准版本更丰富的金融部门建模。

6. 长期预测高度不确定

问题所在：预测精度在1-2年以上的期限迅速下降：

预测期限典型误差（GDP）可靠性
1个季度前瞻±0.8%较高
1年前瞻±1.5%中等
2年前瞻±2.5%较低
5年以上前瞻±4%以上低

含义：近期预测权重更高。长期预测充其量提供方向性参考。

7. 经济本身在不断变化

问题所在：模型基于历史数据估计，而经济持续演变：

未被充分捕捉的重大变化：

  • 技术：人工智能和自动化可能改变生产率
  • 人口结构：老龄化改变储蓄/消费模式
  • 全球化：贸易格局变化（供应链、中国因素）
  • 气候变化：影响农业、能源、沿海房地产
  • 居家办公：改变了房地产需求和劳动力流动性
  • 零工经济：传统就业指标的意义减弱

美联储的做法：模型随时间更新，但修订不可避免地滞后于结构性变化。

我们应该信任这个模型吗？

正确的视角

模型是一个有用的参谋，它：

  • 基于历史关系
  • 能够快速比较复杂情景
  • 提供一致的分析框架
  • 可能遗漏体制转变或罕见事件
  • 无法预料每次冲击
  • 不应是唯一的决策依据

美联储实际如何使用：

  1. 运行模型基准和替代情景
  2. 与其他模型比较
  3. 参照市场和调查预期
  4. 咨询地区和商业情报
  5. 运用判断和经验
  6. 基于多种输入做出决策

最终评价：FRB/US是一个有价值的工具，最好与其他模型、市场信号和判断结合使用。

FRB/US是一个工具，而非对经济的字面描述。美联储强调谨慎解读，这一点在2008年和2021-2022年的重大预测失误后得到了强化。

本节从学术批评、内部评估和比较绩效等维度总结已知弱点，目标是理解模型在何处容易失效，以及如何解读模型结果。

理论局限性

1. 代表性主体框架

问题：从异质性微观行为到代表性主体的聚合丧失了关键传导机制。

HANK文献的证据：

  • 边际消费倾向从~0（财富最高十分位）到~1.0（最低十分位）不等
  • 财政乘数关键取决于转移支付指向（Kaplan-Moll-Violante 2018）
  • 货币传导通过再融资渠道在家庭间不对称（Beraja et al. 2019）

定量含义：

$$MPC_{aggregate}^{RA} \approx 0.40 \text{ vs. } MPC_{aggregate}^{HANK} \in [0.25, 0.55]$$

取决于财富分布。当前美国财富基尼系数≈0.85，意味着$MPC_{true} \approx 0.30$，表明FRB/US高估了消费响应。

货币政策含义：

利率变化对不同家庭的影响不对称：

  • 储蓄者（前20%）：受益于高利率，边际消费倾向低 → 支出响应微弱
  • 借贷者（后40%）：受高利率损害，边际消费倾向高 → 支出响应较大

FRB/US对这些效果取平均，可能使总体传导估计偏差30-40%。

2. 金融部门的简化处理

缺失的传导渠道：

  • 银行资本要求和杠杆周期
  • 影子银行和非银行信贷中介
  • 抵押品约束和保证金螺旋
  • 强制抛售和流动性螺旋
  • 相互关联性和系统性风险

后果：2008年预测失败

FRB/US在2008年第三季度（雷曼破产后）的预测：

  • GDP降幅：-1.5%（实际：-4.0%）
  • 失业率峰值：7.5%（实际：10.0%）
  • 持续时间：4个季度（实际：6个季度）

模型缺少金融加速器机制：

$$\text{信贷供应冲击} \rightarrow \text{利差上升} \rightarrow \text{投资减少}$$

但缺少：

$$\text{资产价格} \downarrow \rightarrow \text{银行资本} \downarrow \rightarrow \text{信贷供给} \downarrow \rightarrow \text{资产价格} \downarrow$$

2010年后的改进：

加入了伯南克-格特勒-吉尔克里斯特金融加速器：

$$EFP_t = \chi \left(\frac{K_t}{NW_t}\right)^\eta, \quad \eta \approx 0.05$$

其中外部融资溢价随杠杆率上升而增大。但仍缺少：

  • 银行特定资本约束
  • 监管政策（巴塞尔III）
  • 影子银行动态
3. 预期形成机制

VAR预期在体制变化期间存在问题：

案例一：沃尔克通胀下行（1980-82年）

  • VAR预期：通胀将维持在10%附近（基于1970年代历史）
  • 现实：美联储可信承诺通胀下行 → 通胀降至4%
  • FRB/US（VAR模式）预测牺牲比率：5.0
  • 实际牺牲比率：2.5（预期调整速度快于VAR预测）

案例二：零利率下限处的前瞻指引（2011-2015年）

  • 美联储宣布："利率将在较长时间内保持低位"
  • 模型一致（理性预期）：大规模刺激效果
  • VAR预期：效果微弱（利率已接近零）
  • 实证证据：实际效果≈理性预期预测的30%（更接近VAR）

混合方式的局限性：

$$E_t = 0.75 \cdot E_t^{VAR} + 0.25 \cdot E_t^{RE}$$

固定权重不够灵活。调查证据表明$\lambda_t$随以下因素变化：

  • 经济状况（稳定时期更趋理性）
  • 主体类型（专业人士更具前向看特征）
  • 政策体制（2020年通胀意外后更趋后向看）

实证绩效失误

1. 菲利普斯曲线不稳定性

结构性断点证据：

时期斜率$\kappa$牺牲比率标准误
1960-1984年0.0312.0(0.008)
1985-1999年0.0192.8(0.009)
2000-2019年0.0093.5(0.012)
2020-2024年0.0045.0以上(0.018)

1985-1999年与2000-2019年之间断点的Chow检验：F(3,150) = 8.42，p < 0.001

竞争性假说：

  1. 预期锚定：美联储公信力使长期通胀预期保持稳定 → 经济松弛对通胀的传递减弱
  2. 全球化：进口竞争抑制国内定价权
  3. 劳动力市场变化：工会力量减弱、零工经济兴起、议价能力下降
  4. 测量误差：官方失业率信息含量降低（受挫工人、就业不足）

2021-2023年通胀事件失误：

FRB/US对2022年通胀的预测（2021年第一季度）：2.3%

2022年实际通胀：6.5%（偏差高达4.2个百分点！）

事后归因分析：

  • 供给冲击（30%）：半导体、航运、能源
  • 需求激增（40%）：财政刺激低估
  • 预期去锚定（20%）：工资-价格螺旋
  • 模型误设（10%）：极端情形下平坦菲利普斯曲线失效
2. 2020年后预测绩效

RMSE比较（2020-2024年对比2010-2019年）：

变量2010-2019年RMSE2020-2024年RMSE劣化程度
GDP（4季度前瞻）1.2个百分点2.8个百分点+133%
通胀（4季度前瞻）0.6个百分点2.1个百分点+250%
失业率（4季度前瞻）0.4个百分点1.2个百分点+200%

通胀预测误差尤为严重，表明模型对高通胀体制存在根本性误设。

运营约束

1. 计算负担

理性预期求解：

  • 单次确定性模拟：约30秒（365个变量，200个季度）
  • 随机模拟（1000次抽样）：在32核集群上约需10小时
  • 完整参数重新估计：约需2天

运营约束：无法在FOMC周期（1周准备窗口）内快速探索参数不确定性。

变通方案：预先计算敏感性矩阵，在实时分析中使用线性近似。

2. 数据修订与实时绩效

模型基于"最终修订"数据估计，但政策制定者看到的是初步发布数据。

典型GDP修订规律：

  • 初步估计（T+1个月）：σ(修订) = 0.5个百分点
  • 第二次估计（T+2个月）：σ(修订) = 0.3个百分点
  • 第三次估计（T+3个月）：σ(修订) = 0.2个百分点
  • 年度修订（T+1年）：σ(修订) = 0.4个百分点
  • 基准修订（T+5年）：σ(修订) = 0.8个百分点

实时预测绩效下降：

使用实时数据版本相比最终修订数据，预测RMSE上升约20%。

奥尔法尼迪斯批评（2001年）：实时产出缺口估计高度不可靠，可能导致系统性政策错误。FRB/US面临同样问题——NAIRU和潜在GDP估计事后被大幅修订。

与替代建模方法的比较

模型类别相对FRB/US的优势相对FRB/US的劣势
DSGE（如Smets-Wouters）• 理论一致性
• 对政策具有不变性
• 可信承诺分析		• 实证拟合较差
• 结构较为刚性
• 计算复杂度高
HANK（异质性主体）• 捕捉分配效应
• 边际消费倾向更现实
• 财政指向至关重要		• 计算密集
• 参数膨胀
• 预测精度不确定
VAR/BVAR• 短期预测精度更高
• 结构假设最少
• 计算速度快		• 缺乏理论基础
• 受卢卡斯批判影响
• 无法进行政策实验
机器学习• 捕捉非线性关系
• 处理高维数据
• 样本内拟合极佳		• 黑箱性质
• 无经济学解读
• 过拟合风险

未来研究方向

优先改进方向

1. 异质性主体：

在不引入完整HANK复杂性的情况下整合有限异质性（2-3类主体）：

  • 入不敷出型消费者（40%权重，边际消费倾向≈1.0）
  • 缓冲存量储蓄者（40%权重，边际消费倾向≈0.40）
  • 无约束最优化者（20%权重，边际消费倾向≈0.05）

2. 时变参数：

通过以下方式估计参数：

$$\theta_t = \rho \theta_{t-1} + \epsilon_t, \quad \epsilon_t \sim N(0, \sigma_\theta^2)$$

使用卡尔曼滤波处理菲利普斯曲线斜率、中性利率和NAIRU。

3. 金融摩擦：

加入格特勒-卡拉迪（2011）银行部门，包含：

  • 银行资本要求（风险加权资产）
  • 杠杆约束（最高债务/股权比率）
  • 存款保险和道德风险

4. 机器学习增强：

混合方法：FRB/US结构核心 + 机器学习捕捉未建模的动态：

$$\hat{Y}_t = f^{FRBUS}(X_t; \theta) + g^{ML}(Z_t; \phi)$$

其中$g^{ML}$为神经网络，捕捉高频数据中的残余规律。

5. 气候经济学整合：

加入气候损害函数：

$$A_t = \bar{A}_t \cdot (1 - \gamma \cdot T_t^2)$$

其中$T_t$为温度异常，$\gamma \approx 0.002$（每摄氏度²损失0.2%全要素生产率）。

综合评估

尽管存在已知局限性，FRB/US仍是美联储政策分析的主力模型。其优势——实证拟合效果、计算可处理性、制度细节——在实际应用中超过了其劣势。

主要优势：

  • 中期（1-2年）预测的最佳可用工具
  • 灵活框架，可适应不断演进的认知
  • 透明且有据可查（接受学术审查）
  • 实用性强：在理论与实证之间取得平衡

关键弱点：

  • 在危机和体制变化期间表现较差
  • 缺失对政策评估至关重要的异质性
  • 通胀建模问题日益突出
  • 代表性主体框架已显滞后

总体评价：FRB/US应作为政策审议的众多输入之一，辅以替代模型、市场情报和判断。工作人员须向决策者明确传达预测不确定性和模型局限性。随着经济不断演变，持续的研究和模型更新不可或缺。

相关资源