Фильтр Ходрика-Прескотта¶

Фильтр Ходрика-Прескотта (HP-фильтр) — это инструмент математической статистики и эконометрики, предназначенный для выделения долгосрочного тренда временного ряда путём сглаживания краткосрочных колебаний. Метод широко применяется в макроэкономическом анализе для оценки потенциального выпуска, циклической безработицы и других компонентов экономических циклов.

¶История и происхождение

Фильтр был предложен в 1980 году экономистами Робертом Ходриком и Эдвардом Прескоттом в рабочем документе, который впоследствии стал широко цитируемым. Первоначально метод разрабатывался для анализа деловых циклов в экономике США, в частности для отделения циклических колебаний от долгосрочного роста. В 1997 году Прескотт получил Нобелевскую премию по экономике (совместно с Финном Кидландом) за вклад в теорию реальных деловых циклов, где HP-фильтр стал одним из ключевых инструментов.

¶Математическая формулировка

Фильтр Ходрика-Прескотта решает задачу минимизации следующей функции потерь:

\[ \min_{\tau_t} \left\{ \sum_{t=1}^{T} (y_t - \tau_t)^2 + \lambda \sum_{t=2}^{T-1} [(\tau_{t+1} - \tau_t) - (\tau_t - \tau_{t-1})]^2 \right\} \]

где:

• \(y_t\) — исходный временной ряд в момент времени \(t\);
• \(\tau_t\) — оценка тренда (сглаженный ряд);
• \(\lambda\) — параметр сглаживания, определяющий жёсткость тренда.

Первое слагаемое отвечает за близость тренда к исходным данным, второе — за гладкость тренда (минимизацию второй разности). Параметр \(\lambda\) задаёт компромисс между этими двумя целями.

¶Параметр сглаживания \(\lambda\)

Выбор \(\lambda\) зависит от периодичности данных:

• Годовые данные: \(\lambda = 100\) (стандартное значение для макроэкономических рядов);
• Квартальные данные: \(\lambda = 1600\) (наиболее распространённое значение, рекомендованное Ходриком и Прескоттом);
• Месячные данные: \(\lambda = 14400\) (иногда используется 129600);
• Недельные или дневные данные: \(\lambda\) может быть рассчитан по формуле \(\lambda = 1600 \times (f/4)^4\), где \(f\) — частота наблюдений в год.

Значение \(\lambda = 1600\) для квартальных данных было установлено эмпирически: оно соответствует средней длине делового цикла в 5–8 лет, что эквивалентно 20–32 кварталам.

¶Применение в макроэкономике

¶Выделение циклической компоненты

HP-фильтр позволяет разложить временной ряд на трендовую и циклическую составляющие: \[ y_t = \tau_t + c_t \] где \(c_t\) — циклическая компонента (отклонение от тренда). Это даёт возможность анализировать фазы экономического цикла: подъёмы, спады, рецессии.

¶Оценка потенциального ВВП

В макроэкономическом анализе тренд, выделенный HP-фильтром, часто интерпретируется как потенциальный выпуск (ВВП при полной занятости). Разрыв между фактическим и потенциальным ВВП (output gap) используется для оценки инфляционного давления и выработки денежно-кредитной политики.

¶Анализ безработицы

Фильтр применяется для выделения структурной (естественной) безработицы из фактического уровня. Циклическая безработица определяется как отклонение от тренда.

¶Критика и ограничения

¶Проблема конечных точек

HP-фильтр страдает от так называемого «эффекта конечных точек»: оценки тренда на первых и последних наблюдениях ряда менее надёжны, так как для них доступно меньше информации для сглаживания. Это может приводить к искажению циклических компонент на границах выборки.

¶Произвольность выбора \(\lambda\)

Значение \(\lambda\) не имеет строгого теоретического обоснования и выбирается эмпирически. Для разных экономик и разных периодов оптимальное \(\lambda\) может различаться, что снижает сопоставимость результатов.

¶Искусственное сглаживание

Фильтр может создавать ложные циклические паттерны, если исходный ряд содержит структурные разрывы или нестационарности. Например, резкие изменения в экономической политике (реформы, кризисы) могут быть ошибочно интерпретированы как циклические колебания.

¶Неадекватность для нестационарных рядов

HP-фильтр предполагает, что тренд является гладкой функцией, но не требует стационарности ряда. Однако для рядов с единичным корнем (интегрированных порядка 1) фильтр может давать смещённые оценки.

¶Альтернативные методы

В ответ на недостатки HP-фильтра были разработаны другие подходы:

• Фильтр Бакстера-Кинга — полосовой фильтр, выделяющий колебания в заданном диапазоне частот (например, 2–8 лет для деловых циклов);
• Фильтр Кристиано-Фитцджеральда — асимптотически оптимальный полосовой фильтр;
• Метод Ходрика-Прескотта с коррекцией конечных точек (например, с использованием прогнозов);
• Модели пространства состояний (фильтр Калмана) — позволяют оценивать тренд с учётом структурных разрывов;
• Вейвлет-анализ — разложение ряда на частотные компоненты без привязки к фиксированному окну.

¶Примеры использования

¶В российской экономике

HP-фильтр применяется Банком России и Министерством экономического развития для оценки потенциального ВВП и циклической безработицы. Например, в «Основных направлениях единой государственной денежно-кредитной политики» на 2024–2026 годы ЦБ РФ использует HP-фильтр для расчёта разрыва выпуска.

¶В международных организациях

Международный валютный фонд (МВФ) и Организация экономического сотрудничества и развития (ОЭСР) регулярно применяют HP-фильтр для оценки циклических позиций стран-членов. Однако в последние годы эти организации всё чаще дополняют HP-фильтр другими методами, учитывающими структурные изменения.

¶Интересные факты

• Несмотря на популярность, сам Эдвард Прескотт впоследствии критиковал чрезмерное использование HP-фильтра, указывая на его ограничения при анализе долгосрочных трендов.
• В 2010-х годах в академической литературе возникла дискуссия о том, что HP-фильтр может систематически занижать амплитуду деловых циклов, особенно в периоды глубоких рецессий.
• В пакетах статистического анализа (R, Stata, EViews, Python) HP-фильтр реализован как стандартная функция, что делает его доступным для широкого круга исследователей.

¶Источники

• Hodrick, R. J., & Prescott, E. C. (1997). Postwar U.S. Business Cycles: An Empirical Investigation. Journal of Money, Credit and Banking, 29(1), 1–16.
• Ravn, M. O., & Uhlig, H. (2002). On Adjusting the Hodrick-Prescott Filter for the Frequency of Observations. Review of Economics and Statistics, 84(2), 371–376.
• Банк России. (2023). Основные направления единой государственной денежно-кредитной политики на 2024 год и период 2025 и 2026 годов.
• Hamilton, J. D. (2018). Why You Should Never Use the Hodrick-Prescott Filter. Review of Economics and Statistics, 100(5), 831–843.