![]() |
ИСТИНА |
Войти в систему Регистрация |
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
С переходом Банка России к режиму инфляционного таргетирования задача прогнозирования инфляции представляется все более актуальной, поскольку решения о денежно-кредитной политике опираются не только на текущую информацию о экономической ситуации, но и на прогнозы будущей макроэкономической динамики. Ряд зарубежных авторов отмечают, что применение методов машинного обучения позволяет решить задачу прогнозирования инфляции с меньшей ошибкой по сравнению с эконометрическими моделями (Chakraborty & Joseph, 2017; Medeiros et al., 2019; Paranhos, 2021). Подобные результаты также эмпирически подтверждают ряд российских исследователей (Baybuza, 2018; Pavlov, 2020; Mamedli, Shibitov, 2021; Семитуркин, Шевелев, 2022). Мы вносим вклад в научную литературу прогнозирования инфляции по трем пунктам. Во-первых, мы дополняем работу (Pavlov, 2020) посредством замены нейронных сетей прямого распространения рекуррентными нейронными сетями, преимущество которых обусловлено последовательной обработкой статистической информации через учет лаговой структуры временных рядов: наблюдения за предыдущий момент времени являются важными предикторами для прогноза на последующие горизонты. Во-вторых, применяются алгоритмы бэггинга, категориального (Dorogush et al., 2018) и адаптивного градиентного бустинга наряду с ансамблевыми моделями, используемыми в ряде российских исследований (Baybuza, 2018; Mamedli, Shibitov, 2021). В-третьих, мы расширяем подход (Almosova, Andresen, 2022) посредством учета экзогенных предикторов в моделях долгой краткосрочной памяти. С целью формирования нейронной сети, архитектура которой будет в меньшей степени зависеть от определенного количества узлов, мы используем технику стохастического исключения нейронов (Srivatsava et al., 2014). С учетом элементов новизны исследования мы получили следующие результаты. Предложенные алгоритмы градиентного бустинга и нейронных сетей превосходят точность эталонных моделей эластичных сетей не менее чем на 40%. Наибольшая средняя абсолютная и среднеквадратическая ошибка прогноза получена при алгоритме бэггинга, а наименьшая ошибка прогноза – по модели долгой краткосрочной памяти, которая точнее прогнозирует инфляцию на 76,50% по сравнению с бэнчмарком. Полученный результат объясняется наличием пропускного механизма обработки информации: сохранение информативных наблюдений, а также обнуление нерелевантных данных. Согласно коэффициентами важности переменных по ансамблевым моделям случайного леса и градиентного бустинга наиболее информативными предикторами инфляции являются среднемесячная номинальная заработная плата, общая численность безработных в возрасте 15 лет и старше, субиндексы потребительских цен на непродовольственные товары, услуги, продукты питания. Таким образом, результаты настоящей работы подчеркивают возможность более точного прогнозирования инфляции в России посредством применения более продвинутых методов машинного обучения, таких как рекуррентные нейронные сети, упорядоченный и адаптивный градиентный бустинг.