+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Включен в перечень ВАК по специальностям

ЭКОНОМИЧЕСКИЕ НАУКИ:
5.2.1. Экономическая теория
5.2.3. Региональная и отраслевая экономика

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

Eastview
eLIBRARY.RU
Biblioclub

Сравнительный анализ прогнозирующей способности статистических моделей макроэкономических показателей в условиях перманентных кризисов

т. 23, вып. 9, сентябрь 2024

Получена: 11.04.2024

Получена в доработанном виде: 05.08.2024

Одобрена: 16.08.2024

Доступна онлайн: 30.09.2024

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Коды JEL: С51, С53, F47

Страницы: 1767-1782

https://doi.org/10.24891/ea.23.9.1767

Гришунин С.В. кандидат экономических наук, доцент школы финансов, Национальный исследовательский университет «Высшая школа экономики» (НИУ – ВШЭ), Москва, Российская Федерация 
sg279sg279@gmail.com

https://orcid.org/0000-0001-5563-5773
SPIN-код: 6996-8009

Сулоева С.Б. доктор экономических наук, профессор Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация 
suloeva_sb@mail.ru

https://orcid.org/0000-0001-6873-3006
SPIN-код: 3977-8902

Бурова Е.В. кандидат экономических наук, доцент Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация 
ekapetr@mail.ru

https://orcid.org/0000-0003-3310-6074
SPIN-код: 1176-2263

Богданова Т.А. кандидат экономических наук, доцент Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация 
diplomb@mail.ru

https://orcid.org/0000-0003-3550-5415
SPIN-код: 9199-9667

Предмет. Актуальность исследования объясняется тем, что прогнозирование состояния экономики имеет решающее значение как для органов власти, так и для экономических агентов. Точность прогнозов традиционных моделей снижается во время кризисов из-за сложности задачи прогнозирования, которая включает редкие и разнообразные структурные сдвиги, зависящие от множества факторов. С учетом нелинейного характера кризисов возникает потребность в поиске более эффективных спецификаций моделей для прогнозирования макропоказателей.
Цели. Провести сравнительный анализ прогнозирующей способности ансамблевых методов по сравнению с набором моделей, включая традиционные статистические алгоритмы и алгоритмы машинного обучения.
Методология. Сравнительный анализ прогнозирующей способности моделей и интерпретация полученных результатов проведены с использованием динамической факторной модели (DFM), нейронной сети с долговременной краткосрочной памятью (LSTM) и методов интегрированных градиентов (IG).
Результаты. Проведены анализ прогнозирующей способности ансамблевой модели для прогнозирования показателя ВВП, которая сочетает в себе DFM и LSTM для учета как линейных, так и нелинейных зависимостей в данных; анализ прогностической силы различных индикаторов, который показал, что увеличение ошибки прогноза наблюдается для всех моделей, кроме DFM, ансамблевой модели со структурой коррекции ошибок и ARMAX. Полученные результаты могут быть использованы для построения моделей макроэкономических показателей в целях принятия стратегических решений предприятиями различных отраслей, функционирующими в условиях высокой неопределенности внешней среды.
Выводы. Объединение DFM и LSTM в ансамбле обеспечивает более высокую точность прогнозов, чем модели LSTM и конкурентов, однако обладает меньшей предсказательной силой, чем DFM.

Ключевые слова: модель прогнозирования, макроэкономические показатели, динамическая факторная модель, нейронная сеть, ансамблевая модель

Список литературы:

  1. Bai J., Ng S. Determining the number of factors in approximate factor models. Econometrica, 2002, vol. 70, iss. 1, pp. 191–221. URL: Link
  2. Jung R., Richard J.-F., Liesenfeld R. Dynamic Factor Models for Multivariate Count Data: An Application to Stock-Market Trading Activity. Journal of Business and Economic Statistics, 2008, vol. 29(1), pp. 73–85. URL: Link
  3. Пономарев Ю., Плескачев Ю. Краткосрочное прогнозирование ВВП с помощью динамической факторной модели // Экономическое развитие России. 2018. Т. 25. № 1. С. 15–19. URL: Link
  4. Поршаков А.С., Пономаренко А.А., Синяков А.А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. 2016. № 2. С. 60–76. URL: Link
  5. Jena P.R., Majhi R., Kalli R. et al. Impact of COVID-19 on GDP of major economies: Application of the artificial neural network forecaster. Economic Analysis and Policy, 2021, vol. 69, pp. 324–339. URL: Link
  6. Shijun Chen, Xiaoli Han, Yunbin Shen, Chong Ye. Application of Improved LSTM Algorithm in Macroeconomic Forecasting. Computational Intelligence and Neuroscience, 2021, vol. 20. URL: Link
  7. Longo L., Riccaboni M., Rungi A. A neural network ensemble approach for GDP forecasting. Journal of Economic Dynamics & Control, 2022, vol. 134, no. 104278. URL: Link
  8. Mariano R., Murasawa Y. A new coincident index of business cycles based on monthly and quarterly series. Journal of Applied Econometrics, 2003, vol. 18(4), pp. 427–443. URL: Link
  9. Stock J., Watson M. Macroeconomic forecasting using diffusion indexes. Journal of Business and Economic Statistics, 2002, vol. 20, iss. 2, pp 147–162. URL: Link
  10. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735–1780. URL: Link
  11. Clark T.E., McCracken M.W. Averaging Forecasts from VARs with Uncertain Instabilities. Journal of Applied Econometrics, 2010, vol. 25(1), pp. 291–311. URL: Link
  12. Chernis T., Sekkel R. A dynamic factor model for nowcasting Canadian GDP growth. Empirical Economics, 2017, vol. 53(4), pp. 217–234. URL: Link
  13. Ba Chu, Shafiullah Qureshi. Comparing Out-of-Sample Performance of Machine Learning Methods to Forecast U.S. GDP Growth. Computational Economics, 2023, vol. 62, pp. 1567–1609. URL: Link
  14. Ahmed N.K., Atiya A.F., Gayar N.E., El-Shishiny H. An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 2010, vol. 29, iss. 5-6, pp. 594–621. URL: Link
  15. Richardson A., Van Florenstein Mulde T., Vehbi T. Nowcasting GDP using machine-learning algorithms: A real-time assessment. International Journal of Forecasting, 2021, vol. 37, iss. 2, pp. 941–948. URL: Link
  16. Teräsvirta T., Van Dijk D., Medeiros M.C. Linear models, smooth transition autoregressions, and neural networks for forecasting macroeconomic time series: A re-examination. International Journal of Forecasting, 2005, vol. 21, iss. 4, pp. 755–774. . URL: Link

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 23, вып. 9, сентябрь 2024

Другие номера журнала