The substantial fluctuations in oil prices in the wake of the COVID-19 pandemic and the Russian invasion of Ukraine have highlighted the importance of tail events in the global market for crude oil which call for careful risk assessment. In this paper we focus on forecasting tail risks in the oil market by setting up a general empirical framework that allows for flexible predictive distributions of oil prices that can depart from normality. This model, based on Bayesian additive regression trees, remains agnostic on the functional form of the conditional mean relations and assumes that the shocks are driven by a stochastic volatility model. We show that our nonparametric approach improves in terms of tail forecasts upon three competing models: quantile regressions commonly used for studying tail events, the Bayesian VAR with stochastic volatility, and the simple random walk. We illustrate the practical relevance of our new approach by tracking the evolution of predictive densities during three recent economic and geopolitical crisis episodes, by developing consumer and producer distress indices that signal the build-up of upside and downside price risk, and by conducting a risk scenario analysis for 2024.

We propose a theory of unemployment fluctuations in which newhires and incumbentworkers are imperfect substitutes. Hence, attempts to hire away the unemployed during recessions diminish the marginal product of new hires, discouraging job creation. This single feature achieves a ten-fold increase in the volatility of hiring in an otherwise standard search model, produces a realistic Beveridge curve despite countercyclical separations, and explains 30–40% of U.S. unemployment fluctuations. Additionally, it explains the excess procyclicality of new hires’ wages, the cyclical labor wedge, countercyclical earnings losses from job displacement, and the limited steady-state effects of unemployment insurance. 

This paper contributes to a better understanding of the important role that credit demand plays for credit markets and aggregate macroeconomic developments as both a source and transmitter of economic shocks. I am the first to identify a structural credit demand equation together with credit supply, aggregate supply, demand and monetary policy in a Bayesian structural VAR. The model combines informative priors on structural coefficients and multiple external instruments to achieve identification. In order to improve identification of the credit demand shocks, I construct a new granular instrument from regional mortgage origination.
I find that credit demand is quite elastic with respect to contemporaneous macroeconomic conditions, while credit supply is relatively inelastic. I show that credit supply and demand shocks matter for aggregate fluctuations, albeit at different times: credit demand shocks mostly drove the boom prior to the financial crisis, while credit supply shocks were responsible during and after the crisis itself. In an out-of-sample exercise, I find that the Covid pandemic induced a large expansion of credit demand in 2020Q2, which pushed the US economy towards a sustained recovery and helped to avoid a stagflationary scenario in 2022.

The international co-movement of interest rates reflects correlated business-cycle fluctuations, largely driven by demand shocks. Monetary policy in advanced economies follows domestic mandates – inflation and the output gap – and does not respond to foreign policy shocks. We derive this result from a Bayesian structural panel vector autoregression with informative priors, homogeneity restrictions on contemporaneous relations, a hierarchical Minnesota prior with cross-sectional shrinkage, and a factor structure for structural shocks.

Die Lohnquote, definiert als die Summe der Arbeitnehmerentgelte geteilt durch die Gesamtproduktion einer Volkswirtschaft, ist in den letzten 40 Jahren in vielen Ländern gefallen. Das Fallen der Lohnquote besitzt potenziell weitreichende Implikationen für das Ausmaß an Ungleichheit und für den Wohlstand von Arbeitnehmerinnen und Arbeitnehmern. Daneben kann eine fallende Lohnquote auch ein Anzeichen für einen Anstieg der Firmenmarktmacht sein. Anhand von Mikrodaten zum deutschen Verarbeitenden Gewerbe untersucht dieser Artikel, welche Rolle technologischer Wandel und steigende Firmenmarktmacht als Ursachen für das Fallen der Lohnquote spielen. Es zeigt sich, dass technologischer Wandel und ein Anstieg der Firmenmarktmacht, insbesondere auf Arbeitsmärkten, jeweils die Hälfte der fallenden Lohnquote im deutschen Verarbeitenden Gewerbe erklären. Daher können politische Maßnahmen, die Firmenmarktmacht reduzieren, nicht nur eine effizienzsteigernde Wirkung entfalten, sondern, als ein Nebeneffekt, auch den Anteil der Löhne an der Gesamtproduktion erhöhen.

Prognosemodelle für die zukünftige wirtschaftliche Entwicklung verwenden häufig marktbasierte Indikatoren wie Spreads von Unternehmensanleihen, die den Risikoaufschlag gegenüber einem Referenzzins angeben. Anleihespreads bilden jedoch nur die Entwicklung von Risiken für Unternehmen ab, die regelmäßig Anleihen emittieren – im Durchschnitt größere, sichere Firmen. Neuartige Daten zu Bankkrediten, die im Sekundärmarkt gehandelt werden, erlauben auch die Konstruktion von Kreditspreads. Kreditmarktdaten umfassen ein breiteres Spektrum an Firmen, inklusive kleinerer Firmen, die stärker von Finanzmarktfriktionen betroffen sind. Tests zeigen, dass Kreditspreads tatsächlich mehr Informationen über wirtschaftliche Entwicklungen beinhalten als Anleihespreads und daher das Potenzial haben, Prognosemodelle zu verbessern.