予測のプロの予測はなぜ偏るのか?

について調べたNBER論文をエミ・ナカムラ、ジョン・スタインソンらがLeland Farmer, Emi Nakamura & Jón Steinssonが上げているungated版)。論文のタイトルは「Learning About the Long Run」で、著者はLeland Farmer(バージニア大)、Emi Nakamura(UCバークレー)、Jón Steinsson(同)。
以下はその要旨。

Forecasts of professional forecasters are anomalous: they are biased, forecast errors are autocorrelated, and forecast revisions predict forecast errors. Sticky or noisy information models seem like unlikely explanations for these anomalies: professional forecasters pay attention constantly and have precise knowledge of the data in question. We propose that these anomalies arise because professional forecasters don’t know the model that generates the data. We show that Bayesian agents learning about hard-to-learn features of the data generating process (low frequency behavior) can generate all the prominent aggregate anomalies emphasized in the literature. We show this for two applications: professional forecasts of nominal interest rates for the sample period 1980-2019 and CBO forecasts of GDP growth for the sample period 1976- 2019. Our learning model for interest rates also provides an explanation for deviations from the expectations hypothesis of the term structure that does not rely on time-variation in risk premia.
(拙訳)
予測専門家の予測は変則的である。彼らの予測は偏っており、予測誤差には自己相関があり、予測の改訂は予測誤差を予測する。粘着的な情報のモデルや、ノイズの多い情報のモデルは、こうした変則性の説明にはなりにくいように思われる。予測専門家は対象データに常に関心を払っており、そのデータに関する正確な知識を有している。我々は、こうした変則性が、予測専門家がデータを生成するモデルを知らないために生じている、と論じる。データ生成過程における学習が難しい特性(低頻度の挙動)をベイズ的な主体に学習させると、この分野の研究で強く示された顕著な総体的な変則性をすべて生成することができる。我々はその点を2つの応用について示した。1980-2019年のサンプル期間における予測専門家の名目金利の予測と、1976-2019年のサンプル期間におけるCBOGDP成長率の予測である。我々の金利学習モデルは、期間構造予想仮説*1からの乖離についてのリスクプレミアムの時変性に依存しない説明も提供する。