Dự báo kinh tế là một phần quan trọng đối với các doanh nghiệp và các nhà hoạch định chính sách. Nó cung cấp thông tin để đưa ra quyết định đầu tư, phân bổ tài nguyên và các biện pháp can thiệp kinh tế. Tuy nhiên, dự báo kinh tế là một công việc phức tạp. Mặc dù có các mô hình tiên tiến và lượng dữ liệu lớn, các nhà phân tích thường gặp khó khăn trong việc dự đoán tương lai một cách chính xác. Dự báo liên quan đến việc dự đoán điều kiện kinh tế trong tương lai dựa trên dữ liệu lịch sử, xu hướng và các chỉ báo kỹ thuật khác nhau. Tuy nhiên, luôn có một yếu tố không chắc chắn đi kèm. Peter L. Bernstein, biên tập viên của Tạp chí Quản lý Danh mục đầu tư, đã viết: “quy luật cơ bản của việc đầu tư là sự không chắc chắn của tương lai".

Bài viết này thảo luận về những thách thức trong việc dự báo thị trường vốn. Thiết lập kỳ vọng sai lầm về thị trường vốn có thể dẫn đến các danh mục đầu tư không chính xác. Việc giữ nguyên cơ cấu đầu tư qua các thị trường phát triển có thể dẫn đến hiệu suất không tối ưu, trong khi thay đổi quá mức thành phần danh mục đầu tư có thể gây ra các khoản phí và chi phí khổng lồ mà không mang lại lợi ích bổ sung nào. Việc cân bằng đòi hỏi hiểu biết sâu sắc về các lớp tài sản, mặc dù nó không thiếu những thách thức trong nhiều khía cạnh.

Độ tin cậy của dữ liệu kinh tế

Dữ liệu kinh tế được thu thập từ nhiều nguồn khác nhau, bao gồm các cơ quan chính phủ, các cuộc khảo sát và các doanh nghiệp tư nhân. Các cuộc khảo sát và tập mẫu được sử dụng để ước tính các xu hướng kinh tế rộng hơn. Tuy nhiên, nếu tập mẫu thiên về một số ngành hoặc nhóm nhân khẩu học nhất định, nó có thể làm sai lệch ước tính tổng thể của nền kinh tế. Ngoài ra, dữ liệu thường thể hiện các mô hình theo mùa (ví dụ như chu kỳ nông nghiệp, hoặc chi tiêu vào dịp lễ trong ngành bán lẻ). Những biến động này có thể che khuất các xu hướng cơ bản và gây ra các lỗi phức tạp hơn nếu xu hướng cơ bản thay đổi một cách bất ngờ.

Các chỉ báo kinh tế thường được công bố với một độ trễ về thời gian. Ví dụ, các báo cáo tài chính hàng quý được công bố vài tuần sau khi kết thúc quý và báo cáo kiểm toán hàng năm được công bố vài tháng sau khi kết thúc năm. Các chỉ báo kinh tế vĩ mô cấp cao như báo cáo việc làm thường được công bố vài tuần sau giai đoạn tham chiếu. Quỹ Tiền tệ Quốc tế đôi khi báo cáo dữ liệu cho các nền kinh tế đang phát triển với độ trễ là hai năm. Điều này đòi hỏi các nhà dự báo và nhà phân tích phải làm việc với dữ liệu sơ bộ trong khi dự đoán các bản sửa đổi. Đôi khi những sửa đổi này rất quan trọng, và có thể dẫn đến những kết luận hoàn toàn khác biệt.

Dữ liệu kinh tế có thể có những sai số đo lường. Các sai số này xảy ra trong quá trình thu thập, ước tính hoặc tổng hợp dữ liệu. Một ví dụ có thể kể đến là việc phân loại sai dòng vốn có thể làm sai lệch các chỉ báo kinh tế. Khi phân tích dữ liệu theo chuỗi thời gian, nếu những nhà dự báo chỉ xem xét các thực thể còn tồn tại đến cuối kỳ, kết quả thống kê có thể bị ảnh hưởng bởi thiên kiến người sống sót. Thiên kiến này xảy ra khi chúng ta bỏ qua những thực thể không còn sống sót, dẫn đến những kết luận không chính xác.

Quá khứ và tương lai. Dự báo kinh tế dựa vào dữ liệu quá khứ để xác định các xu hướng và mô hình. Tuy nhiên, việc sử dụng ước tính lịch sử làm nền tảng duy nhất để dự báo có thể mang lại một số hạn chế.

Không ổn định. Các nền kinh tế là các hệ thống không ngừng thay đổi, liên tục điều chỉnh để thích ứng với những tiến bộ công nghệ (ví dụ, trí tuệ nhân tạo trong các ngành công nghiệp), sự thay đổi dân số (ví dụ, dân số già), và thay đổi hành vi tiêu dùng (ví dụ, từ mua sắm truyền thống sang thương mại điện tử). Dữ liệu lịch sử chỉ là một góc nhìn trạng thái nền kinh tế trong quá khứ. Nếu dữ liệu không phản ánh được những thay đổi đang diễn ra, các mô hình kinh tế có thể bỏ lỡ những bước ngoặt quan trọng.

Các sự kiện đặc biệt. Dữ liệu lịch sử dựa vào những sự kiện trong quá khứ. Tuy nhiên, những sự kiện không lường trước được như đại dịch, thiên tai hoặc những thay đổi địa chính trị lớn có thể phá vỡ các xu hướng lịch sử theo những cách khó lường. Dự báo chỉ dựa vào những ước tính lịch sử có thể không giải thích được những sự kiện thiên nga đen, dẫn đến những dự đoán không chính xác về tình trạng kinh tế trong tương lai.

Giới hạn của phương pháp suy luận. Một chức năng cốt lõi của dự báo kinh tế là suy luận các xu hướng lịch sử vào tương lai. Phương pháp này giả định rằng các mẫu hình quá khứ sẽ tiếp diễn. Điều này không phải lúc nào cũng đúng. Hành vi kinh tế có thể thay đổi đột ngột, làm cho các xu hướng lịch sử không đáng tin cậy để dự đoán tương lai. Một ví dụ là lợi nhuận thực tế cao trong quá khứ có thể là một ước tính không tốt về lợi nhuận kỳ vọng trong tương lai. Tương tự, khi xem xét các biện pháp rủi ro như giá trị rủi ro, rủi ro thực tế cao có thể là một thước đo sai lệch của rủi ro kỳ vọng.

Các nhà phân tích thường hưởng lợi từ việc sử dụng lịch sử dữ liệu dài nhất có sẵn. Phương pháp này đảm bảo tính ổn định, vì số liệu thống kê mẫu có được từ lịch sử dài hơn có xu hướng ổn định hơn so với những số liệu có ít mẫu quan sát hơn. Tuy việc sử dụng dữ liệu có tần suất cao hơn (ví dụ, hàng tuần thay vì hàng tháng) có thể hấp dẫn hơn, nhưng điều này không đảm bảo rằng các ước tính chính xác hơn. Trong khi dữ liệu có tần suất cao hơn có thể tăng mức độ chính xác của phương sai mẫu, hiệp phương sai và mối tương quan, nhưng nó không cải thiện được ước tính trung bình.

Trong bối cảnh dữ liệu lớn với nhiều biến liên quan, việc có một tập mẫu đáng kể trở nên quan trọng. Ví dụ, khi tính toán một ma trận hiệp phương sai mẫu, cần có nhiều quan sát hơn tổng số biến (ví dụ như tài sản). Thách thức này thường phát sinh trong phân tích đầu tư ở quy mô quốc gia hoặc toàn cầu. Ngoài ra, việc xem xét liệu dữ liệu giao dịch có tuân theo phân phối chuẩn hay không cũng rất quan trọng. Đối với lợi nhuận lịch sử của tài sản, chúng thường có độ lệch và đuôi nặng, dẫn đến việc chúng lệch khỏi phân phối chuẩn. Việc xử lý tình trạng không chuẩn này có thể phức tạp và tốn kém.

Sự không chắc chắn của mô hình

Các mô hình kinh tế tương tự nhau về bản chất. Chúng đại diện cho một phiên bản đơn giản hoá của thực tế, nắm bắt sự tương tác giữa các yếu tố khác nhau. Tuy nhiên, thách thức nằm ở việc lựa chọn các yếu tố để bao gồm và thể hiện chúng theo toán học. Các hạn chế cố hữu trong bất kỳ sự đơn giản hoá nào của mô hình đều góp phần tạo ra sự không chắc chắn về mô hình. 

Phần lớn các biến kinh tế và mối quan hệ tiềm năng của chúng có thể dẫn đến tình thế tiến thoái lưỡng nan. Việc chọn các yếu tố để bao gồm hoặc loại bỏ có thể dẫn đến lựa chọn sai lệch. Hành vi này sau cùng có thể dẫn đến các dự báo không chắc chắn và không chính xác.

Các mô hình kinh tế sử dụng công thức toán học để thể hiện các mối quan hệ kinh tế phức tạp. Các phương trình này thực ra là sự đơn giản hoá nền kinh tế để có thể dễ hiểu và dễ phân tích. Thế giới thực thường rối ren với những sự kiện gây rối. Sự đơn giản hoá trong mô hình dữ liệu (như mô hình tuyến tính) đưa thêm yếu tố không chắc chắn vào các dự báo tương lai. Trong thực tế, bên cạnh các mô hình đơn giản, còn có những mô hình phức tạp có thể trở thành hộp đen khó hiểu. Việc hiểu các mô hình này đưa ra các dự báo là một thách thức về mặt khái niệm. Việc đánh giá độ tin cậy của mô hình và truy tìm nguồn gốc của các lỗi tiềm ẩn thậm chí càng khó khăn hơn.

Khi các giả định của mô hình trở nên không chính xác, nó thường dẫn đến các hậu quả nặng nề. Trong khi sự không chắc chắn về tham số và sự không chắc chắn về đầu vào có thể được giảm bớt thông qua các phương pháp thống kê khác nhau (ví dụ, lỗi ước tính và chú ý đến các biến ngẫu nhiên không quan sát được), các giả định mô hình không hoàn chỉnh có thể làm sụp đổ toàn bộ dự báo.

Một ví dụ điển hình là từ cuộc khủng hoảng kinh tế khi có nhiều mô hình kinh tế tính đến năm 2008 cho rằng thị trường nhà ở và hệ thống tài chính sẽ tiếp tục ổn định. Những mô hình này cho rằng sự suy giảm giá nhà chỉ xảy ra ở một vài các khu vực địa lý nhất định. Chúng đã không tính đến những rủi ro liên quan đến các công cụ tài chính phức tạp như chứng khoán đảm bảo bằng thế chấp, được thực hiện bởi các tổ chức có rất ít động cơ để kiểm tra chất lượng các khoản vay.

Một ví dụ khác là trong những năm 90 khi mà hầu hết các mô hình đều đặt kỳ vọng về cổ phiếu dài hạn cao hơn và tái phân bổ nhiều vốn hơn vào cổ phiếu do sự phát triển của các lĩnh vực kinh doanh trên mạng internet. Điều này khiến giá cổ phiếu tiếp tục tăng cao. Mô hình này đã đọc sai sự phá vỡ công nghệ, và nhiều dự báo đã đánh giá quá cao tiềm năng của mạng internet đối với các ngành công nghiệp nền tảng với giả thuyết tăng trưởng vô hạn. Bong bóng cuối cùng đã vỡ vào năm 2000, và sàn giao dịch chứng khoán NASDAQ, có trọng số lớn đối với cổ phiếu công nghệ, đã sụp đổ. Điều này nhắc nhở về những nguy hiểm của việc đưa ra dự báo dựa trên các giả định không phù hợp với nền kinh tế thực tế.

Tuy nhiên, các nhà kinh tế vẫn đang nỗ lực giảm bớt sự không chắc chắn và cải thiện độ chính xác của mô hình bằng các phương pháp khác nhau. Một trong số đó là sử dụng kỹ thuật tập hợp mô hình, sử dụng nhiều mô hình thay vì chỉ dựa vào một mô hình duy nhất. Kỹ thuật này bao gồm việc chạy nhiều mô hình với các giả định khác nhau và kết hợp các dự báo của chúng. Phương pháp này nhằm giảm thiểu những sai lệch của mô hình và đem lại sự chắc chắn. Một phương pháp khác là sử dụng thống kê Bayes. Phương pháp này cho phép các nhà kinh tế tích hợp kiến thức có sẵn vào mô hình. Bằng cách tích hợp kiến thức kinh tế, nó có thể hữu ích khi xử lý các mức độ không chắc chắn cao để cải thiện tính linh hoạt của mô hình. Một phương pháp kỹ thuật khác trong nghiên cứu mô hình là tiến hành các bài kiểm tra sức chịu đựng. Các nhà kinh tế thường chạy mô phỏng để khám phá cách các mô hình hoạt động dưới nhiều sự kiện không lường trước được, cung cấp thông tin giá trị về các kết quả tiềm năng và những hạn chế của mô hình.