Financial and real sector Leading indicators of Recessions in Brazil using Probabilistic Models

Abstract

We examine the usefulness of various financial and real sector variables to forecast recessions in Brazil between one and eight quarters ahead. We estimate probabilistic models of recession and select models based on their outof-sample forecasts, using the Receiver Operating Characteristic (ROC) function. We find that the predictive out-of-sample ability of several models vary depending on the numbers of quarters ahead to forecast and on the number of regressors used in the model specification. The models selected seem to be relevant to give early warnings of recessions in Brazil. Analisamos a capacidade de diversas variáveis do setor financeiro e do setor real da economia para prever recessões no Brasil entre um e oito trimestres à frente. Estimamos modelos probabilísticos de recessão e os selecionamos com base em suas previsões fora da amostra, utilizando a função

Composite leading indicators of economic activity: An application to the upstream oil and gas industry in Rio de Janeiro

“…Our paper connects to the literature on measuring and analyzing business cycles in Brazil (see, for example, Chauvet, 2000;Picchetti and Toledo, 2002;Issler, Notini, and Rodrigues, 2009;Hollauer, Issler, e Notini, 2009;Morais and Chauvet, 2011;Oliveira, 2016;Campelo Jr., Issler and Pimentel, 2019;Ozyildirim, Sima-Friedman, Picchetti, and Lima, 2019). Specifically, we contribute to a more scarce literature that measures and analyzes cyclical aspects of specific sectors and industries, which has been done for industrial activity (Hollauer, Issler, and Notini, 2009), the capital goods industry (Chauvet and Morais, 2011), and the construction sector (Cruz and Colombo, 2018).…”

“…Second, we remove seasonal patterns in the series and identify the cyles. Then, we evaluate the series best fit to integrate the composite leading indicator through four statistical tests: (i) cross-correlation (Hollauer, Issler, and Notini, 2009;Oliveira, 2016;NYU, 2017;Issler and Pimentel, 2019); (ii) quadratic probability score (Chauvet, 2000;Issler, Notini, and Rodrigues, 2009); (iii) Granger-causality (Issler, Notini, and Rodrigues, 2009;Oliveira, 2016); and (iv) probit (Morais and Chauvet, 2011). Finally, we use The Conference Board's (2001) aggregation method.…”

Uma Comparação Do Poder Preditivo De Diferentes Variáveis Para Períodos De Recessão Da Economia Brasileira

“…O probit dinâmico não restringe a variação dos parâmetros do modelo ao longo do tempo e possui a variável latente como fator autorregressivo. Oliveira (2016), assim como Chauvet e Morais (2010), busca encontrar modelos com mais de uma variável explicativa que possam prever períodos de recessão da economia brasileira, focando na utilização de variáveis financeiras e do setor real da economia e utilizando como método comparativo entre modelos a função receiver operating characteristic (ROC). Assim como o presente artigo, Oliveira (2016) faz uso do retorno do índice de ações do mercado brasileiro, da taxa de juros nominal e da oferta monetária M2 como variáveis de análise.…”