Dekomponering af trend og cyklus

Den empiriske konjunkturcyklus fremkommer ved at adskille en observeret serie i en trendkomponent og en cyklisk komponent:

\(y_t = \tau_t + c_t\)

Hodrick-Prescott-filteret løser dette ved at minimere summen af kvadrerede cykliske afvigelser under en straf for krumning i trenden:

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

Ved λ mod nul følger trenden serien fuldstændigt, og cyklussen forsvinder; ved λ mod uendelig konvergerer trenden mod en lineær tidstrend, og hele seriens variation henføres til cyklussen. For kvartalsdata anvendes konventionelt λ = 1600. Filteret er tosidet og bruger derfor fremtidige observationer til at estimere trenden på et givet tidspunkt, hvilket skaber en systematisk endepunktsskævhed: den senest estimerede cykliske position revideres, efterhånden som nye data tilkommer. Båndpasfiltre af Baxter-King- eller Christiano-Fitzgerald-typen isolerer i stedet frekvenser inden for et defineret varighedsinterval, mens Beveridge-Nelson-dekomponeringen udleder trenden som den langsigtede prognoseværdi af serien og derfor tilskriver stød en permanent komponent. Valget mellem metoderne er ikke neutralt, fordi det bestemmer, hvor stor en del af et stød der klassificeres som cyklisk og dermed forventes at reversere.

Cyklusdefinitioner og datering

Tre indbyrdes forskellige cyklusbegreber anvendes parallelt. Den klassiske cyklus defineres på niveauer og vender ved absolutte toppe og bunde i aktiviteten. Vækstcyklussen defineres på afvigelsen fra trend og vender, når output gap topper eller bunder. Vækstratecyklussen defineres på ændringen i aktiviteten og vender tidligst af de tre. Forskellen er materiel: med en trendvækst på 2 % og en faktisk vækst på 0,5 % i to år bliver niveauet:

\(Y_2 = 100 \times 1{,}005^2 = 101{,}00\)

\(Y_2^{*} = 100 \times 1{,}02^2 = 104{,}04\)

\(\frac{101{,}00 – 104{,}04}{104{,}04} \times 100 = -2{,}9%\)

Der er ingen klassisk recession, da niveauet stiger, men et markant vækstcyklisk tilbageslag. Algoritmisk datering følger Bry-Boschan-proceduren, der identificerer lokale ekstrema under restriktioner på minimumsvarighed af faser og hele cyklusser samt på alternering mellem toppe og bunde. Sandsynlighedsbaseret datering formaliseres i Markov-switching-modeller, hvor en uobserveret tilstandsvariabel styrer regimeafhængige middelværdier og varianser. Med en illustrativ overgangsmatrix:

\(P = \begin{bmatrix} p_{11} & 1 – p_{11} \ 1 – p_{22} & p_{22} \end{bmatrix} = \begin{bmatrix} 0{,}95 & 0{,}05 \ 0{,}20 & 0{,}80 \end{bmatrix}\)

følger de forventede fasevarigheder direkte af de diagonale sandsynligheder:

\(E[D_1] = \frac{1}{1 – 0{,}95} = 20 \quad \text{og} \quad E[D_2] = \frac{1}{1 – 0{,}80} = 5\)

De ergodiske sandsynligheder bliver:

\(\pi_1 = \frac{1 – p_{22}}{(1 – p_{11}) + (1 – p_{22})} = \frac{0{,}20}{0{,}25} = 0{,}80\)

Betinget af, at økonomien befinder sig i ekspansionsregimet, bliver sandsynligheden for regimeskift inden for fire kvartaler:

\(0{,}95^4 = 0{,}815 \quad \Rightarrow \quad 1 – 0{,}815 = 0{,}185\)

Konstruktionen indebærer, at ekspansioner både er længere og mindre volatile end kontraktioner — en asymmetri, som lineære modeller pr. konstruktion ikke kan gengive.

Persistens, komovement og asymmetri

Cykliske komponenter udviser høj positiv autokorrelation på korte horisonter og negativ autokorrelation på horisonter svarende til den halve cykluslængde, hvilket er den statistiske signatur på mean reversion omkring trend. Komovement på tværs af serier kvantificeres ved krydskorrelationsfunktionen:

\(\rho_{xy}(k) = \frac{\operatorname{Cov}(x_t,, y_{t+k})}{\sigma_x \sigma_y}\)

Ledende egenskaber fastslås som den forskydning k, hvor korrelationen maksimeres i absolut værdi; et maksimum ved negativ k identificerer serien som ledende i forhold til referenceserien. Amplituderne er systematisk ordnede: investeringer og varige forbrugsgoder svinger med et multiplum af outputs udsving, samlet privatforbrug med mindre end output, og lagerinvesteringer bidrager uforholdsmæssigt meget til udsvingene i forhold til deres andel af aktiviteten. Fordelingen af vækstrater er venstreskæv, og kontraktioner er stejlere end de forudgående ekspansioner, hvilket gør symmetriske specifikationer uegnede til at modellere vendepunkter.

Forstærkning og propagering af stød

Cyklussens amplitude og persistens bestemmes ikke af stødenes egen struktur, men af de mekanismer, der propagerer dem. Kapitaltilpasningsomkostninger og irreversibilitet i investeringer skaber optionsværdi ved at vente og medfører diskontinuerte investeringsbeslutninger på virksomhedsniveau, som aggregeres til trægt reagerende investeringsserier. Lagerakkumulering forstærker produktionsudsvingene relativt til salgsudsvingene, da produktionen skal dække både salget og lagerjusteringen. Den finansielle accelerator kobler låntagernes nettoformue til deres finansieringsomkostninger: faldende aktivpriser reducerer sikkerhedsstillelsens værdi, hæver den eksterne finansieringspræmie, begrænser investeringerne og trykker aktivpriserne yderligere. Nominelle stivheder i priser og lønninger bestemmer, hvor stor en del af et nominelt efterspørgselsstød der slår igennem på reale mængder frem for på prisniveauet. Realkonjunkturteori og nykeynesiansk teori adskiller sig primært i, hvilke stød de tildeler den kvantitativt dominerende rolle, men deler den grundlæggende opdeling i impuls og propagering.

Cyklisk normalisering af indtjening og positionering

Værdiansættelse på cyklisk indtjening indebærer systematisk fejlprisfastsættelse, fordi multipler beregnet på topindtjening fremstår misvisende lave og multipler på bundindtjening misvisende høje. Normalisering foretages derfor på midtcyklus-omsætning og midtcyklus-margin. En virksomhed med en topomsætning på 120 og en EBIT-margin på 14 % samt en bundomsætning på 90 og en margin på 6 % giver:

\(EBIT_{top} = 120 \times 0{,}14 = 16{,}8 \quad \text{og} \quad EBIT_{bund} = 90 \times 0{,}06 = 5{,}4\)

Midtcyklus-estimatet beregnet som produktet af gennemsnitsstørrelserne bliver:

\(105 \times 0{,}10 = 10{,}5\)

mens det simple gennemsnit af de to indtjeningsudfald bliver:

\(\frac{16{,}8 + 5{,}4}{2} = 11{,}1\)

Forskellen er kovariansleddet mellem omsætning og margin, som følger af den generelle identitet:

\(E[R \cdot m] = E[R] \cdot E[m] + \operatorname{Cov}(R,, m)\)

\(\operatorname{Cov}(R,, m) = 11{,}1 – 10{,}5 = 0{,}6\)

Da omsætning og margin er positivt korrelerede over cyklussen, undervurderer produktet af gennemsnittene den forventede indtjening med præcis kovariansleddet, hvilket gør normaliseringsmetoden til et selvstændigt værdiansættelsesvalg og ikke en teknikalitet. Cyklisk følsomhed på selskabs- og sektorniveau estimeres som elasticiteten af indtjeningen over for gabet:

\(\Delta \ln E_t = \alpha + \beta \cdot \Delta \text{gap}_t + \varepsilon_t\)

Med estimerede koefficienter på 2,5 for et konjunkturfølsomt segment og 0,4 for et defensivt segment giver en lukning af gabet på 3 pct.point:

\(2{,}5 \times 3 = 7{,}5% \quad \text{og} \quad 0{,}4 \times 3 = 1{,}2%\)

Den operationelle begrænsning ligger i realtidsproblemet: den cykliske position skal estimeres på data, der endnu ikke er endeligt revideret, med tosidede filtre, hvis endepunktsestimater efterfølgende ændres. Positionering på estimeret cyklusfase indebærer derfor en estimationsrisiko, der er størst netop omkring vendepunkterne, hvor beslutningsværdien af informationen er højest. Nowcasting med dynamiske faktormodeller og blandede datafrekvenser adresserer forsinkelsen i nationalregnskabsdata, men fjerner ikke revisionsusikkerheden i selve trendestimatet.