An early warning model for predicting credit booms using macroeconomic aggregates

Simple item page
dc.audiencePolicymakerseng
dc.audienceResearcherseng
dc.audienceStudentseng
dc.audienceTeacherseng
dc.coverage.sucursalBogotáeng
dc.creatorGuarín-López, Alexandereng
dc.creatorGonzález-Gómez, Andréseng
dc.creatorSkandalis, Daphnéeng
dc.creatorSánchez, Danielaeng
dc.creator.firmaAndres Gonzalezspa
dc.date.accessioned2014-07-01T08:30:10Zeng
dc.date.available2014-07-01T08:30:10Zeng
dc.date.created2014-07-01eng
dc.date.issued2014-07eng
dc.descriptionEn este documento se propone una novedosa metodología para determinar la existencia de booms de crédito, el cual es un tema bastante complejo y de crucial importancia para las autoridades económicas. En particular, se explota la idea de Mendoza y Terrones (2008) que señala que los agregados macroeconómicos contienen información valiosa para predecir los episodios de boom. El ejercicio econométrico realiza la estimación y predicción de la probabilidad de estar en un boom de crédito. El trabajo empírico se lleva a cabo a partir de datos trimestrales de seis países latinoamericanos entre 1996 y 2011. Para capturar simultáneamente la incertidumbre en la elección del modelo y el valor de los parámetros, se emplea la técnica Bayesian Model Averaging. Como se hace uso de datos panel, los resultados econométricos podrían ser empleados para predecir booms de países que no se consideran en la estimación. En conjunto, los resultados muestran que las variables macroeconómicas contienen información importante para identificar y predecir los booms de crédito. De hecho, con nuestro método la probabilidad de detectar un boom de crédito es 80% mientras la probabilidad de no tener falsas alarmas es mayor al 92%.eng
dc.description.abstractIn this paper, we propose an alternative methodology to determine the existence of credit booms, which is a complex and crucial issue for policymakers. In particular, we exploit the Mendoza and Terrones's (2008) idea that macroeconomic aggregates contain valuable information to predict lending boom episodes. Specifically, our econometric method is used to estimate and predict the probability of being in a credit boom. We run empirical exercises on quarterly data for six Latin American countries between 1996 and 2011. In order to capture simultaneously model and parameter uncertainty, we implement the Bayesian model averaging method. As we employ panel data, the estimates may be used to predict booms of countries which are not considered in the estimation. Overall, our findings show that macroeconomic variables contain relevant information to identify and to predict credit booms. In fact, with our method the probability of detecting a credit boom is 80%, while the probability of not having false alarms is greater than 92%.eng
dc.format.extent10 páginas : gráficas, tablaseng
dc.format.mimetypePDFeng
dc.identifier.handlehttps://hdl.handle.net/20.500.12134/6501spa
dc.identifier.urihttps://repositorio.banrep.gov.co/handle/20.500.12134/6501
dc.language.isoengeng
dc.publisherBanco de la República de Colombiaeng
dc.relation.doihttps://doi.org/10.1016/S0120-4483(14)70020-Xeng
dc.relation.dotechttps://ideas.repec.org/a/col/000107/011975.htmlspa
dc.relation.ispartofArtículos de revistaeng
dc.relation.ispartofseriesRevista Ensayos Sobre Política Económicaeng
dc.relation.issn0120-4483eng
dc.relation.isversionofRevista Ensayos Sobre Política Económica; Vol. 32. No. 73. Julio, 2014. Pág.: 77-86.eng
dc.relation.repechttps://ideas.repec.org/a/bdr/ensayo/v32y2014i73p77-86.htmlspa
dc.rights.accessRightsOpen Accesseng
dc.rights.ccAtribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0eng
dc.rights.spaAcceso abiertospa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/eng
dc.source.bibliographicCitationBrooks, S., Friel, N., King, R. (2003). Classical Model Selection Via Simulated Annealing. Journal of The Royal Statistical Society 65, 503-520.eng
dc.source.bibliographicCitationGourinchas, P., Valdes, R., Landerretche, O. (2001). Lending Booms: Latin America and The World. Working Paper 8249, NBER.eng
dc.source.bibliographicCitationGreen, P. (1995). Reversible Jump Markov Chain Monte Carlo Computation and Bayesian Model Determination. Biometrika 82, 711-732.eng
dc.source.handleRepecRepEc:bdr:ensayo:v:32:y:2014:i:73:p:77-86spa
dc.subjectIndicador de alerta tempranaeng
dc.subjectBooms de créditoeng
dc.subjectPromedio bayesiano de modeloseng
dc.subjectMercados emergenteseng
dc.subject.jelE32 - Business Fluctuations; Cycleseng
dc.subject.jelE37 - Prices, Business Fluctuations, and Cycles: Forecasting and Simulation: Models and Applicationeng
dc.subject.jelE44 - Financial Markets and the Macroeconomyeng
dc.subject.jelE51 - Money Supply; Credit; Money Multiplierseng
dc.subject.jelC53 - Forecasting and Prediction Methods; Simulation Methodseng
dc.subject.jelspaE32 - Fluctuaciones económicas; Cicloseng
dc.subject.jelspaE37 - Precios, fluctuaciones y ciclos económicos: Predicción y simulación; Modelos y aplicacióneng
dc.subject.jelspaE51 - Oferta monetaria; Crédito; Multiplicadores monetariosspa
dc.subject.jelspaC53 - Métodos de pronóstico y predicción; métodos de simulacióneng
dc.subject.keywordEarly warning indicatoreng
dc.subject.keywordCredit boomseng
dc.subject.keywordBayesian model averagingeng
dc.subject.keywordEmerging marketseng
dc.subject.lembCiclos de negocios -- Pronósticos -- América Latinaeng
dc.subject.lembMacroeconomía -- América Latina -- 1996-2011eng
dc.subject.lembCrédito -- América Latina -- 1996-2011eng
dc.subject.lembMercados emergentes -- América Latina -- 1996-2011eng
dc.titleAn early warning model for predicting credit booms using macroeconomic aggregateseng
dc.title.alternativeUn modelo de alerta temprana para la predicción de booms de crédito usando los agregados macroeconómicoseng
dc.typeArticleeng
dc.type.hasversionPublished Versioneng
dc.type.spaArtículoeng

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
espe.pdf
Size:
1.01 MB
Format:
Adobe Portable Document Format
Description:
An early warning model for predicting credit booms using macroeconomic aggregates
Download

Collections

Año: 2014 - Vol. 32 - No. 73