Dự báo GDP tức thời: Theo dõi động lực kinh tế giữa các báo cáo chính thức

Cứ ba tháng một lần, các chính phủ công bố một con số quyết định sức khỏe kinh tế: Tổng sản phẩm quốc nội (GDP). Con số này thường được công bố vài tuần, đôi khi vài tháng, sau khi quý kết thúc, tạo ra một độ trễ đáng kể cho các nhà hoạch định chính sách và những người tham gia thị trường. Sự chậm trễ này tạo ra một khoảng trống thông tin, buộc các nhà phân tích phải hoạt động với dữ liệu lỗi thời để đưa ra các quyết định quan trọng. Chẳng hạn, báo cáo ban đầu từ US Bureau of Economic Analysis được công bố gần một tháng sau khi quý kết thúc, với hai lần điều chỉnh tiếp theo kéo dài sang quý tiếp theo.

Độ trễ này có nghĩa là vào thời điểm con số GDP 'cuối cùng' được biết, nền kinh tế đã thay đổi đáng kể, thường là đi trước hai quý. Các tác nhân thị trường, từ các nhà đầu tư tổ chức đến các nhà giao dịch bán lẻ trên các nền tảng như OANDA và FOREX.com, không thể chờ đợi. Họ yêu cầu một bức tranh rõ ràng hơn, tức thời hơn về động lực kinh tế. Yêu cầu như vậy không chỉ vì lợi ích học thuật; nó tác động trực tiếp đến định giá tài sản và vị thế chiến lược trên các thị trường cổ phiếu, trái phiếu và các cặp tiền tệ.

Các mô hình dự báo tức thời đã ra đời để lấp đầy khoảng trống này, cung cấp các ước tính tần suất cao được cập nhật liên tục. Các mô hình này thu hẹp khoảng cách giữa các báo cáo dữ liệu chính thức bằng cách tổng hợp các chỉ báo kinh tế tức thời. Chúng cung cấp một cái nhìn tổng quan có độ phân giải cao về nền kinh tế hiện tại, liên tục điều chỉnh khi có thông tin mới, mang lại cho các nhà giao dịch cái nhìn sớm về những thay đổi tiềm năng trong chính sách tiền tệ hoặc lợi nhuận doanh nghiệp.

Dự báo tức thời tập trung vào việc ước tính hiện tại hoặc tương lai rất gần của các biến kinh tế, trái ngược hoàn toàn với dự báo truyền thống thường dự đoán trước vài quý hoặc vài năm. Không giống như các dự báo truyền thống, vốn thường dựa vào các mô hình cấu trúc và đánh giá của chuyên gia để dự đoán tương lai, các dự báo tức thời được thúc đẩy bởi dữ liệu, phản ứng trực tiếp với các báo cáo kinh tế mới nhất. Nguyên tắc cơ bản là hoạt động kinh tế hiện tại để lại một dấu vết tức thời, dù chỉ một phần, trên các lĩnh vực khác nhau.

Các mô hình này hoạt động trên cơ sở luân phiên, thường được cập nhật hàng ngày hoặc hàng tuần khi có dữ liệu tần suất cao mới. Thách thức cốt lõi nằm ở việc tích hợp các loại dữ liệu đa dạng – từ khảo sát đến thống kê kinh tế cứng – được công bố ở các tần suất khác nhau và với độ trễ khác nhau. Một mô hình dự báo tức thời phải có khả năng nội suy dữ liệu bị thiếu một cách hiệu quả và đánh giá tầm quan trọng tương đối của từng điểm dữ liệu đến trong việc định hình ước tính GDP tổng thể.

Ví dụ, số đơn xin trợ cấp thất nghiệp lần đầu được công bố hàng tuần, cung cấp một cái nhìn mới mẻ về thị trường lao động, trong khi các cuộc khảo sát sản xuất như ISM PMI xuất hiện hàng tháng. Một mô hình dự báo tức thời phải cân nhắc tác động của một bất ngờ từ số đơn xin trợ cấp thất nghiệp hàng tuần so với một báo cáo sản xuất hàng tháng, điều chỉnh ước tính GDP của nó một cách linh hoạt. Quá trình lặp lại này cho phép phản ánh gần như tức thời các điều kiện kinh tế, chi tiết hơn nhiều so với một báo cáo hàng quý có thể cung cấp.

Độ chính xác của một mô hình dự báo tức thời tỷ lệ thuận với chất lượng và tính kịp thời của dữ liệu đầu vào. Các mô hình thường tiếp nhận một loạt các chỉ báo tần suất cao đóng vai trò là đại diện cho các thành phần khác nhau của GDP (tiêu dùng, đầu tư, chi tiêu chính phủ, xuất khẩu ròng). Chẳng hạn, dữ liệu doanh số bán lẻ trực tiếp cung cấp thông tin cho các ước tính tiêu dùng, trong khi số liệu sản xuất công nghiệp cung cấp cái nhìn sâu sắc về sản lượng sản xuất.

Các danh mục dữ liệu chính bao gồm thống kê thị trường lao động (ví dụ: bảng lương phi nông nghiệp, số đơn xin trợ cấp thất nghiệp từ US Bureau of Labor Statistics), khảo sát sản xuất và dịch vụ (ví dụ: ISM PMIs), các chỉ báo thị trường nhà ở (ví dụ: khởi công nhà ở, giấy phép xây dựng) và dữ liệu thị trường tài chính (ví dụ: chỉ số chứng khoán, chênh lệch tín dụng). Giá cả hàng hóa, đặc biệt là năng lượng, cũng đóng một vai trò do tác động lan tỏa của chúng đến chi phí sản xuất và chi tiêu tiêu dùng.

Mỗi điểm dữ liệu, khi được công bố, sẽ kích hoạt một bản cập nhật cho ước tính của mô hình. Tác động của một báo cáo cụ thể phụ thuộc vào mức độ liên quan được nhận thức của nó đối với GDP và lượng thông tin đã có sẵn cho quý hiện tại. Vào đầu quý, bất kỳ báo cáo dữ liệu đơn lẻ nào cũng có thể gây ra những thay đổi đáng kể trong dự báo tức thời, trong khi vào cuối quý, với nhiều dữ liệu hơn đã được tổng hợp, các báo cáo riêng lẻ có xu hướng có tác động nhỏ hơn.

Các dữ liệu đầu vào tần suất cao chính cho các mô hình dự báo tức thời

Mô hình GDPNow của Fed Atlanta là một ví dụ nổi bật về phương pháp dự báo cận kề (nowcasting) hoàn toàn mang tính thống kê, cơ học. Ra mắt năm 2014, GDPNow sử dụng phương pháp luận tương tự Cục Phân tích Kinh tế Hoa Kỳ (BEA) trong các ước tính GDP chính thức. Về cơ bản, mô hình này dự báo ngược lại con số cuối cùng của BEA, nhưng với dữ liệu đầu vào theo thời gian thực. Điểm mạnh của mô hình nằm ở tính minh bạch: nó công bố chi tiết cách mỗi dữ liệu mới được công bố tác động đến các thành phần phụ khác nhau (ví dụ: chi tiêu tiêu dùng cá nhân, tổng đầu tư tư nhân trong nước).

GDPNow cập nhật thường xuyên, thường là hàng ngày, sau khi dữ liệu kinh tế liên quan được công bố. Mô hình không kết hợp bất kỳ điều chỉnh chủ quan hay phán đoán của con người; ước tính thay đổi hoàn toàn dựa trên tác động toán học của dữ liệu mới, được trọng số hóa theo cấu trúc của mô hình. Việc cập nhật hoàn toàn cơ học này có nghĩa là quỹ đạo của nó đôi khi có vẻ biến động mạnh, đặc biệt vào đầu quý khi dữ liệu còn thưa thớt. Một báo cáo mạnh hoặc yếu đơn lẻ có thể gây ra biến động đáng kể trong ước tính vì có ít điểm dữ liệu khác để cân bằng.

Đây là phần mà hầu hết các hướng dẫn bỏ qua: sự phụ thuộc vào các cập nhật hoàn toàn cơ học vừa là điểm mạnh vừa là điểm yếu của mô hình. Mặc dù cung cấp cái nhìn khách quan về cách dữ liệu hiện tại chuyển thành con số GDP, nó cũng có thể dẫn đến phản ứng thái quá đối với các điểm dữ liệu riêng lẻ, có khả năng gây hiểu lầm cho những người không hiểu phương pháp luận cơ bản của nó. Do đó, người dùng phải theo dõi xu hướng và mức độ của các sửa đổi thay vì chỉ tập trung vào con số của một ngày cụ thể.

Trái ngược với GDPNow hoàn toàn cơ học, Báo cáo dự báo cận kề của Fed New York sử dụng mô hình yếu tố động, mặc dù dựa trên dữ liệu, nhưng cho phép linh hoạt hơn. Mô hình này trích xuất các yếu tố chung từ một bộ dữ liệu lớn các chỉ báo kinh tế vĩ mô để ước tính các điều kiện kinh tế hiện tại. Thiết kế của nó cho phép xử lý các đợt công bố dữ liệu không đều và các thay đổi cấu trúc tiềm năng một cách linh hoạt hơn so với phương pháp chỉ dựa trên thành phần.

Mặc dù mô hình của Fed New York chủ yếu mang tính thống kê, nó có khả năng kết hợp phán đoán của chuyên gia, mặc dù một cách ngầm định thông qua các lựa chọn đặc tả mô hình. Điều này có thể dẫn đến một đường dự báo cận kề mượt mà hơn, ít biến động hơn so với GDPNow, đặc biệt khi các tín hiệu kinh tế không rõ ràng hoặc có một điểm dữ liệu ngoại lệ đáng kể trong một đợt công bố cụ thể. Mô hình có thể trọng số hóa các chỉ báo nhất định khác nhau dựa trên các mối quan hệ lịch sử quan sát được hoặc bối cảnh kinh tế hiện tại, một sắc thái mà việc tuân thủ chặt chẽ phương pháp luận của BEA của GDPNow không thể tái tạo.

So sánh hai mô hình, phương pháp của Fed New York có thể bị coi là 'kém hơn' đối với những người tìm kiếm sự minh bạch tuyệt đối về cách mỗi điểm dữ liệu riêng lẻ trực tiếp làm thay đổi ước tính GDP. Mô hình yếu tố của nó đôi khi có thể giống như một hộp đen đối với các nhà quan sát bên ngoài. Tuy nhiên, khả năng làm mịn nhiễu và có thể cung cấp một dự báo cận kề ổn định hơn, ít phản ứng hơn có thể được các nhà hoạch định chính sách ưa thích, những người cần một tín hiệu ít biến động hơn cho kế hoạch dài hạn, thay vì các quyết định giao dịch trong ngày. Các nhà giao dịch thường thích phản ứng tức thì, mặc dù có thể phóng đại, của GDPNow đối với dữ liệu mới để tìm kiếm cơ hội ngắn hạn.

Các đặc điểm so sánh của mô hình GDPNow của Fed Atlanta và Báo cáo dự báo cận kề của Fed New York

Các điều chỉnh của nowcast là một đặc điểm vốn có và được mong đợi của các mô hình này. Chúng không phải là dấu hiệu của việc mô hình thất bại mà là sự phản ánh của thông tin mới có sẵn hoặc dữ liệu hiện có được điều chỉnh. Chìa khóa để diễn giải hiệu quả nằm ở việc hiểu bối cảnh và các yếu tố thúc đẩy những thay đổi này. Một điều chỉnh đáng kể có thể xảy ra vì nhiều lý do: việc công bố một báo cáo kinh tế có tác động lớn (ví dụ: Non-Farm Payrolls, Industrial Production), hoặc một sự điều chỉnh đáng kể đối với dữ liệu đã được công bố trước đó. Ví dụ, nếu ước tính ban đầu về doanh số bán lẻ sau đó được Cục Điều tra Dân số điều chỉnh giảm, nowcast sẽ phản ánh sự thay đổi đó, có khả năng gây ra một điều chỉnh giảm đáng kể đối với đóng góp của tiêu dùng vào GDP. Các nhà phân tích theo dõi chặt chẽ hướng và mức độ của những điều chỉnh này. Một loạt các điều chỉnh tăng liên tục đối với nowcast, được thúc đẩy bởi sức mạnh rộng khắp của dữ liệu đầu vào, báo hiệu động lực kinh tế đang tăng tốc. Các điều chỉnh giảm liên tục cho thấy sự giảm tốc. Điều quan trọng là phải phân biệt giữa các điều chỉnh được thúc đẩy bởi dữ liệu mới, kịp thời và những điều chỉnh do dữ liệu cũ được xem xét lại. Cái trước mang lại một góc nhìn mới về quý hiện tại, trong khi cái sau sửa chữa sự hiểu biết của mô hình về các giai đoạn trong quá khứ ảnh hưởng đến hiện tại. Các nhà thực hành thường chú ý đến cách khoảng tin cậy của nowcast phát triển. Vào đầu quý, với dữ liệu hạn chế, khoảng tin cậy xung quanh nowcast sẽ rộng, cho thấy mức độ không chắc chắn cao. Khi có thêm dữ liệu, khoảng này thường thu hẹp lại, phản ánh sự chắc chắn cao hơn trong ước tính. Bỏ qua các khoảng này và chỉ tập trung vào ước tính điểm có thể dẫn đến việc hiểu sai tín hiệu kinh tế thực sự.

Đối với những người tham gia thị trường, nowcast đóng vai trò như một phong vũ biểu quan trọng, cung cấp hệ thống cảnh báo sớm về những thay đổi tiềm năng trong bức tranh kinh tế. Sự khác biệt đáng kể giữa một nowcast hàng đầu (như GDPNow) và sự đồng thuận của thị trường hoặc các dự báo chính thức có thể kích hoạt hoạt động giao dịch tức thì trên các loại tài sản. Chẳng hạn, các nhà giao dịch trái phiếu theo dõi chặt chẽ các xu hướng nowcast để tìm manh mối về chính sách tiền tệ tương lai từ Cục Dự trữ Liên bang. Một nowcast GDP tăng tốc, nếu được duy trì, có thể cho thấy lập trường diều hâu hơn của Fed, dẫn đến lợi suất trái phiếu cao hơn, như được phản ánh trong dữ liệu như lợi suất trái phiếu Kho bạc 10 năm kỳ hạn cố định của FRED hoặc lãi suất đường cong lợi suất hàng ngày của Bộ Tài chính Hoa Kỳ. Thị trường tiền tệ cũng phản ứng mạnh mẽ. Một điều chỉnh tăng mạnh đối với nowcast GDP của Hoa Kỳ so với các nền kinh tế lớn khác có thể củng cố đồng đô la, vì nó ngụ ý triển vọng tăng trưởng tốt hơn và lãi suất có khả năng cao hơn. Các nhà môi giới ngoại hối như Pepperstone và IC Markets cung cấp các công cụ phân tích và bình luận thị trường tích hợp những hiểu biết sâu sắc từ nowcasting này, giúp khách hàng của họ hiểu được tác động tiềm tàng đối với các cặp tiền tệ. Cổ phiếu, đặc biệt là các ngành theo chu kỳ, cũng biến động theo tín hiệu nowcast, với tăng trưởng kinh tế mạnh hơn ngụ ý lợi nhuận doanh nghiệp tốt hơn. Trong thực tế, một bộ phận giao dịch độc quyền sẽ theo dõi nhiều mô hình nowcasting, thường với các lớp phủ độc quyền của riêng họ, thay vì chỉ dựa vào một mô hình duy nhất. Họ sẽ kết hợp những hiểu biết từ tính minh bạch cơ học của GDPNow với phương pháp dựa trên yếu tố mượt mà hơn của NY Fed, và thường xuyên tích hợp phân tích cơ bản của riêng họ. Mục tiêu không chỉ là dự đoán con số GDP chính thức, mà còn là giành lợi thế bằng cách nắm bắt nhịp đập kinh tế theo thời gian thực trước khi nó trở thành sự đồng thuận.

Mặc dù hữu ích, các mô hình nowcasting không phải là không thể sai sót và đi kèm với những hạn chế vốn có. Thứ nhất, chúng chủ yếu mang tính chất nhìn lại trong cấu trúc của mình, nghĩa là chúng được xây dựng dựa trên các mối quan hệ lịch sử giữa các chỉ số và GDP. Mặc dù điều này hoạt động tốt trong các giai đoạn kinh tế ổn định, nhưng nó có thể sụp đổ trong thời kỳ thay đổi cấu trúc hoặc các sự kiện chưa từng có, chẳng hạn như đại dịch hoặc một cuộc khủng hoảng tài chính lớn. Trong những kịch bản như vậy, các mối tương quan lịch sử có thể không còn đúng nữa, dẫn đến các ước tính không chính xác. Thứ hai, nowcast dễ bị ảnh hưởng bởi chất lượng và tính kịp thời của dữ liệu đầu vào. Các điều chỉnh dữ liệu, vốn phổ biến đối với nhiều chỉ số kinh tế, có thể làm thay đổi quỹ đạo của nowcast một cách hồi tố, đôi khi đáng kể. Các điểm dữ liệu ban đầu trong một quý thường là sơ bộ và dễ mắc lỗi hơn. Điều này có thể dẫn đến những biến động quá mức trong nowcast mà sau đó sẽ bình thường hóa khi dữ liệu ít sơ bộ hơn có sẵn. Cuối cùng, không có mô hình nowcasting nào có thể nắm bắt hoàn hảo tất cả các sắc thái của hoạt động kinh tế. Chúng là các cấu trúc thống kê được thiết kế để xấp xỉ một thực tế phức tạp. Các yếu tố như tâm lý người tiêu dùng, niềm tin kinh doanh (thường mang tính định tính) hoặc tác động chính xác của các thay đổi chính sách của chính phủ có thể khó tích hợp đầy đủ về mặt định lượng. Do đó, mặc dù mang lại những hiểu biết sâu sắc mạnh mẽ, nowcast luôn phải được xem xét cùng với phân tích định tính rộng hơn và đánh giá của chuyên gia.

Lĩnh vực nowcasting không ngừng phát triển, được thúc đẩy bởi những tiến bộ trong khoa học dữ liệu và sự sẵn có ngày càng tăng của dữ liệu chi tiết, tần suất cao. Các phát triển trong tương lai có khả năng chứng kiến sự tích hợp lớn hơn nữa của các nguồn 'dữ liệu lớn', bao gồm dữ liệu giao dịch thẻ tín dụng ẩn danh, hình ảnh vệ tinh (để giám sát hoạt động công nghiệp hoặc năng suất cây trồng) và dữ liệu di chuyển theo thời gian thực. Những luồng dữ liệu thay thế này, khi được tích hợp đúng cách, có thể cung cấp các tín hiệu hoạt động kinh tế tức thì và đa dạng hơn so với các bản phát hành truyền thống. Các kỹ thuật học máy, đặc biệt là những kỹ thuật có khả năng xử lý các tập dữ liệu đa chiều và không đồng nhất, cũng sẵn sàng nâng cao độ chính xác và độ tin cậy của nowcasting. Các phương pháp này có thể xác định các mối quan hệ phức tạp, phi tuyến tính trong dữ liệu mà các mô hình thống kê truyền thống có thể bỏ lỡ, có khả năng cải thiện khả năng thích ứng của mô hình với các chế độ kinh tế đang thay đổi. Mục tiêu vẫn không thay đổi: giảm độ trễ thông tin và cung cấp cho các nhà hoạch định chính sách cũng như những người tham gia thị trường bức tranh rõ ràng nhất có thể về tình hình kinh tế hiện tại. Khi các mô hình nowcasting trở nên tinh vi hơn, trọng tâm sẽ không chỉ chuyển sang ước tính điểm, mà còn là sự hiểu biết tốt hơn về sự không chắc chắn xung quanh các ước tính đó. Điều này bao gồm việc phát triển các khoảng tin cậy đáng tin cậy hơn và phân tích kịch bản để giúp người dùng hiểu được sự biến động và hạn chế vốn có. Tương lai của thông tin tình báo kinh tế nằm ở sự theo đuổi không ngừng nghỉ này để đạt được sự rõ ràng theo thời gian thực, ngày càng xa rời những điểm mù hàng quý từng định nghĩa phân tích kinh tế.