Capturing Tail Risks in Macroeconomic Forecasting

Abstract

Rising global trade uncertainty and the growing chance of large economic shocks highlight the need for forecasting models that can realistically capture tail risks. Traditional Vector Autoregression (VAR) and Bayesian VAR (BVAR) models usually assume multivariate normal errors, but this assumption cannot reflect the heavy-tailed patterns often seen in real economic and financial data. As a result, these models tend to underestimate rare but serious economic declines. To address this issue, this study replaces the normal error assumption in the BVAR framework with a t-distribution, which can better represent heavy tails through its degrees-of-freedom parameter. Using Korean macroeconomic data, we compare the forecasting performance of both the normal-BVAR and t-BVAR models. All models are estimated using Bayesian methods, and the full description of the estimation procedure is provided in detail.;세계 무역 불확실성의 증가와 대규모 경제 충격 발생 가능성 확대는 꼬리 위험을 현실적으로 포착할 수 있는 예측 모델의 필요성을 부각시킨다. 전통적인 벡터 자기회귀 (VAR) 및 베이지안 VAR(BVAR) 모델은 일반적으로 다변량 정규 오차를 가정하지만, 이 가정은 실제 경제·금융 데이터에서 흔히 관찰되는 두꺼운 꼬리 패턴을 반영하지 못한다. 결과적으로 이러한 모델들은 드물지만 심각한 경제 침체를 과소평가하는 경향이 있다. 이러한 문제를 해결하기 위해 본 연구는 BVAR 프레임워크에서 정규 오차 가정을 자유도 매개변수를 통해 두꺼운 꼬리를 더 잘 표현할 수 있는 t-분포로 대체한다. 한국 거시경제 데이터를 활용하여 정규-BVAR 모델과 t-BVAR 모델의 예측 성능을 비교한다. 모든 모델은 베이지안 방법으로 추정되며, 추정 절차에 대한 상세한 설명이 제공된다.