Дробышевская Л.Н.доктор экономических наук, профессор, заведующая кафедрой экономического анализа, статистики и финансов, Кубанский государственный университет (КубГУ), Краснодар, Российская Федерация ld@seatrade.ru https://orcid.org/0000-0002-2860-4629 SPIN-код: 6518-9504
Предмет. Полученные с помощью моделей машинного обучения краткосрочные прогнозы ключевых экономических показателей. Цели. Разработка способа повышения точности краткосрочного прогнозирования инфляции, выпуска товаров и услуг на основе использования различных моделей, в том числе с применением машинного обучения. Методология. Использован системный подход, а также методы статистического анализа, математического моделирования и прогнозирования. Результаты. На основе использования 12 моделей (эконометрических, пространства состояний, градиентного бустинга, нейронных сетей) получены оценки качества прогнозов на основе метрик RMSE, MAE для инфляции, а также выпуска товаров и услуг на различных трех- и шестимесячных интервалах, начиная со второго полугодия 2023 г. до первого полугодия 2024 г. (всего 14 периодов). Составлен рэнкинг моделей по средней точности прогнозов. Выводы. Модели машинного обучения показали свою состоятельность при краткосрочном прогнозировании показателей инфляции, объема выпуска товаров и услуг на три и шесть месяцев, и могут быть использованы для денежно-кредитного регулирования. Для прогноза инфляции целесообразно применение таких эконометрических методов, как AR(1), для более волатильных показателей градиентный бустинг (LightGBM, CatBoost, XGBoost) и некоторые нейросетевые подходы (TFT, RNN (LSTM)) оказываются наиболее точными.
Ключевые слова: инфляция, товары и услуги, краткосрочное прогнозирование, эконометрическое моделирование, машинное обучение
Список литературы:
Нелюбина А. Прогнозирование региональных показателей на основе квартальной прогнозной модели // Деньги и кредит. 2021. Т. 80. № 2. С. 50–75.
Крыжановский О., Зыков А. DEMUR: региональная полуструктурная модель макрорегиона «Урал» // Деньги и кредит. 2022. Т. 81. № 4. С. 52–85.
Байбуза И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. Т. 77. № 4. С. 42–59.
Павлов Е. Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. 2020. Т. 79. № 1. С. 57–73.
Букина Т.В., Кашин Д.В. Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал Высшей школы экономики. 2024. Т. 28. № 1. С. 81–107. URL: Link
Грищенко В., Крылов И. Новые подходы к измерению, изучению и прогнозированию цен: обзор совместного семинара Банка России, РЭШ и НИУ «Высшая школа экономики» // Деньги и кредит. 2024. Т. 83. № 2. С. 92–111.
Maliar L., Maliar S., Winant P. Deep Learning for Solving Dynamic Economic Models. Journal of Monetary Economics, 2021, vol. 122, pp. 76–101. URL: Link
Dyer J., Cannon P., Farmer J.D., Schmon S.M. Black-Box Bayesian Inference for Agent-Based Models. Journal of Economic Dynamics and Control, 2024, vol. 161, no. 104827. URL: Link
Barkan O., Benchimol J., Caspi I. et al. Forecasting CPI Inflation Components with Hierarchical Recurrent Neural Networks. International Journal of Forecasting, 2023, vol. 39, iss. 3, pp. 1145–1162. URL: Link
Medeiros M.C., Vasconcelos G.F., Veiga A., Zilberman E. Forecasting Inflation in a Data-Rich Environment: the Benefits of Machine Learning Methods. Journal of Business & Economic Statistics, 2021, vol. 39, iss. 1, pp. 98–119. URL: Link
Molnar C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. 2nd ed. Germany Independently published, 2022, 328 p.
Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М.Д. Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. 2024. Т. 83. № 3. С. 23–44.
Исаков А., Латыпов Р., Репин А. и др. Твердые цифры: открытые микроданные о потребительских ценах // Деньги и кредит. 2021. Т. 80. № 1. С. 104–119.
Могилат А., Крыжановский О., Шувалова Ж., Мурашов Я. DYFARUS: динамическая факторная модель прогнозирования ВВП по производству с использованием межотраслевого баланса // Деньги и кредит. 2024. Т. 83. № 2. С. 3–25.
Жемков М. Оценка месячного индикатора ВВП методами темпорального дезагрегирования // Деньги и кредит. 2022. Т. 81. № 2. С. 79–104.
Демешев Б.Б., Малаховская О.А. Макроэкономическое прогнозирование с помощью BVAR Литтермана // Экономический журнал Высшей школы экономики. 2016. Т. 20. № 4. С. 691–710. URL: Link
Ломиворотов Р.В. Использование байесовских методов для анализа денежно-кредитной политики в России // Прикладная эконометрика. 2015. № 2. С. 41–63. URL: Link
Пестова А., Мамонов М. Оценка влияния различных шоков на динамику макроэкономических показателей в России и разработка условных прогнозов на основе BVAR-модели российской экономики // Экономическая политика. 2016. Т. 11. № 4. С. 56–92. URL: Link
Коротких О. Межстрановая BVAR-модель внешнего сектора // Деньги и кредит. 2020. Т. 79. № 4. С. 98–112.
Шуляк Е. Макроэкономическое прогнозирование с использованием данных социальных сетей // Деньги и кредит. 2022. Т. 81. № 4. С. 86–112.