ХОЛОДНЫЙ РАСЧЕТ ∅

ХОЛОДНЫЙ РАСЧЕТ ∅

🔮 Риск рецессии: Рынок госдолга vs. Экономисты • Наш индикатор вероятности рецессии опирается на разницу между доходностями на ближнем и длиннем концах кривой доходности госдолга - ее "наклоне" В этом спреде есть полезный сигнал о риске рецессии по одной…

🐍 Риск рецессии: Как оценить самостоятельно?

• После заседания наклон кривой снизился с 2.9 процентных пунктов до 0.5 процентного пункта: меньше наклон => меньше предложение кредита => выше вероятность рецессии

Наша оценка риска выросла до 21%, но эти оценки зависят от большого числа относительно произвольных решений при выборе модели:

• какие месяцы в прошлом были рецессией, а какие нет?

• как мерять наклон кривой: как разницу доходностями 10 лет и 3 мес.? 5 лет и 2 года? 10 и 2 года?

• строим опережающий или одновременный индикатор риска? опережающий на сколько месяцев? и так далее

🪄 Вы можете самостоятельно построить свой индикатор риска рецессии за пару шагов:

• Загружаем pandas и sklearn:

import pandas as pd
from sklearn.linear_model import LogisticRegression

• забираем данные об исторических значениях кривой доходности у МосБрижи

• Сохраняем их в файлик и считаем там наклон 'slope':

df_yc_cc = pd.read_excel(PATH, index_col='ds')

• Определяем рецессию по вкусу:

df_rec = pd.DataFrame(index = pd.date_range(start='2003-01',end='2023-08',freq='MS'))

df_rec['R'] = 0
df_rec.loc['2008-09':'2009-02','R'] = 1
df_rec.loc['2014-11':'2015-06','R'] = 1
df_rec.loc['2019-12':'2020-06','R'] = 1
df_rec.loc['2021-11':'2022-06','R'] = 1

• Складываем наклон и переменную рецессии вместе:

df_xy = pd.merge(
df_yc[['slope']]
, df_rec[['R']]
, left_index=True
, right_index=True) \
.dropna()
X, y = df_xy[['slope']], df_xy['R']

• Оцениваем логит:

mod_lr = LogisticRegression()
mod_lr.fit(X, y)

• Готово - можем подставить какой-то наклон x и оценить риск рецессии:

x = XXX
mod_lr.predict_proba(pd.DataFrame(data=[[x]],columns=['slope']))

@c0ldness

www.group-telegram.com/es/c0ldness.com/1675

2.5K viewsedited  Aug 18, 2023 at 14:59

🐍 Риск рецессии: Как оценить самостоятельно?

• После заседания наклон кривой снизился с 2.9 процентных пунктов до 0.5 процентного пункта: меньше наклон => меньше предложение кредита => выше вероятность рецессии

Наша оценка риска выросла до 21%, но эти оценки зависят от большого числа относительно произвольных решений при выборе модели:

• какие месяцы в прошлом были рецессией, а какие нет?

• как мерять наклон кривой: как разницу доходностями 10 лет и 3 мес.? 5 лет и 2 года? 10 и 2 года?

• строим опережающий или одновременный индикатор риска? опережающий на сколько месяцев? и так далее

🪄 Вы можете самостоятельно построить свой индикатор риска рецессии за пару шагов:

• Загружаем pandas и sklearn:

import pandas as pd
from sklearn.linear_model import LogisticRegression

• забираем данные об исторических значениях кривой доходности у МосБрижи

• Сохраняем их в файлик и считаем там наклон 'slope':

df_yc_cc = pd.read_excel(PATH, index_col='ds')

• Определяем рецессию по вкусу:

df_rec = pd.DataFrame(index = pd.date_range(start='2003-01',end='2023-08',freq='MS'))

df_rec['R'] = 0
df_rec.loc['2008-09':'2009-02','R'] = 1
df_rec.loc['2014-11':'2015-06','R'] = 1
df_rec.loc['2019-12':'2020-06','R'] = 1
df_rec.loc['2021-11':'2022-06','R'] = 1

• Складываем наклон и переменную рецессии вместе:

df_xy = pd.merge(
df_yc[['slope']]
, df_rec[['R']]
, left_index=True
, right_index=True) \
.dropna()
X, y = df_xy[['slope']], df_xy['R']

• Оцениваем логит:

mod_lr = LogisticRegression()
mod_lr.fit(X, y)

• Готово - можем подставить какой-то наклон x и оценить риск рецессии:

x = XXX
mod_lr.predict_proba(pd.DataFrame(data=[[x]],columns=['slope']))

@c0ldness

BY ХОЛОДНЫЙ РАСЧЕТ ∅