دانلود ترجمه مقاله پیش بینی سرعت پول در مفهوم سریع

1. مقدمه 2. تحلیل توصیفی و داده ها 3. رویکردهای مدلسازی سرعت پول 4. مقایسه ای از مدل های MIDAS و سنتی 5. نتیجه گیری

نتیجه گیری: سهم این مقاله در بین مقالات مربوط به بررسی و پیش بینی سرعت پول در گردش و وسیع در منطقه یورو و ایالات متحده آمریکا می باشد. در چارچوب مدل های تقاضای پول، MIDAS در قالب روش پیش بیمی جایگزین مناسبی برای پیش بینی با داده های فرکانسی مختلف در نظر گرفته شده است. نتایج ما نشان می دهند که علیرغم نوآوری های مالی، در دو دهه گذشته، سرعت پول وسیع به دنبال رویه های صعودی در منطقه یورو و ایالات متحده در پی بحران های مالی در این دو اقتصاد بوده است. با اینکه تحلیل های ارائه شده یک سری تغییرات وسیع و چشم گیر را در سرعت تعادلی در شروع این بحران مالی شناسایی کرده اند، ناپایداری در ارتباط بین پول در مفهوم سریع به نظر می رسد که موردی موقتی باشد. در ادامه، ما نشان داده ایم که مدل تقاضای پول که شامل دارایی های مسکن و هزینه های فرصت در قالب متغیرهای اکتشافی می باشد نیز پول در گردش را در حضور برنامه های خرید دارایی بزرگ مقیاس و محیطی با نرخ تمایل پایین تر در نظر می گیرد. نتایج حاصل از رویکردهای سنتی نشان می دهند که مدل مفروض نمونه که شامل متغیرهای ثروت می باشد، به طور سیستماتیک دارای نتایج بهتری بوده و شامل رویه های خطی، هزینه های فرصت پول و نقدینگی و شکست در اثر بحران های مالی است. نتیجه جدید این است که با اعمال تکنیک های ترکیبی، ما بهبودها و پیشرفت هایی را در پیش بینی های سرعت برای منطقه یورو در همه افق های پیش بینی مدنظر مشاده می کنیم، در حالی که در مورد ایالات متحده، بهره محتمل تنها اشاره به پیش بینی های کوتاه مدت دارد. به نظر می رسد که این یافته ها منعکس کننده تمایزاتی در تنظیم و به کار گیری سرعت پولی در شوک های ناشی از بحران های مالی در هر دو منطقه اقتصادی باشند. در این زمینه، ما دریافتیم که ورود داده های مالی روزانه به هزینه های فرصت نمی تواند به بهبود پیش بینی های سرعت در نیل به مدل های ترکیبی که از داده های ماهیانه استفاده می کنند، کمک کنند. با اینکه استفاده از تکنیک های ترکیبی می تواند به بهبود پیش بینی های سرعت کمک کنند، پیش بینی نقاط تبدیلی همچنان به عنوان موضوع چالش برانگیز در این رویکرد باقی مانده است. با توجه به پیامدهای سیاست پولی، ما نشان داده ایم که پیش بینی های سرعتی خوب می تواند به سیاست گذاران در ارزیابی ریسک هایی برای پایداری قیمتی در افق های طولانی مدت کمک کند. حسابداری برای تغییرات در سرعت های تعادلی برای پیش بینی های تورم متقاطع از دیدگاه آنالیز نقدینگی بسیار مهم است. با در نظر گرفتن این اطلاعات می توان به پیش بینی های نوسانات مبتنی بر نقدینگی بهتر کمک کرد. این موضوع همان موردی است که می تواند به طور عمیق تر در مطالعات آتی با استفاده از داده های واقعی تر بررسی گردد.

Conclusions: This paper contributes to the literature by explaining and forecasting velocity of broad money in the euro area and the United States. In the framework of money demand models, it considers MIDAS as alternative forecasting method suitable for forecasting with mixed-frequency data. Our results show that despite financial innovations, over the last two decades broad money velocity has followed a declining trend both in the euro area and the US with a break around the start of the financial crisis in both economies. While the present analysis detects one significant shift in equilibrium velocity around the start of the financial crisis, instabilities in the link between broad money and prices appear to have been temporary. Then, we show that a money demand model that includes housing wealth and opportunity cost as explanatory variables tracks well velocity of broad money even in the presence of large-scale asset purchase programmes and an environment of very low interest rates. The results applying traditional approaches show that in the sample considered a model, which includes a wealth variable, was systematically better than a model, which contains a linear trend, opportunity cost of money and a break owing to the outbreak of the financial crisis. A new result is that applying mixed-frequency techniques, we find improvements in velocity forecasts for the euro area at all forecast horizons considered (i.e. one to eight quarters ahead), whereas for the US possible gains only refer to shorterterm forecasts. This finding seems to reflect differences in the adjustment of money velocity to the shock originating from the financial crisis in both economic areas. In this context, we find that the inclusion of daily financial data for opportunity cost did not help to improve velocity forecasts beyond what has been achieved in mixed-frequency models that use monthly data. While applying mixed-frequency techniques can help to improve velocity forecasts, forecasting turning points remains challenging also under this approach. Regarding monetary policy implications, we suggest that good velocity forecasts can help policymakers in assessing the risks to price stability over longer horizons. Accounting for changes in equilibrium velocity is important to cross-check inflation forecasts from a monetary analysis perspective. Taking this information into account could help to make better moneybased inflation forecasts. Whether this has actually been the case could be examined in more depth in a follow-up research using real-time data.