Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.
Идентификаторы и классификаторы
Принятию решений в области денежно-кредитной и бюджетно-налоговой политики предшествует прогнозирование будущей динамики ключевых макроэкономических показателей, включая валовой внутренний продукт (ВВП) и его компоненты, инфляцию, обменные курсы. Для выработки эффективной экономической политики необходимы точные прогнозы будущей макроэкономической конъюнктуры.
Список литературы
1 Андреев А. Прогнозирование инфляции методом комбинирования прогнозов в Банке России // Банк России. Серия докладов об экономических исследованиях. – 2016. – № 14.
2 Бадасен П., Картаев Ф., Хазанов А. Эконометрическая оценка влияния валютного курса
рубля на динамику выпуска // Деньги и кредит. – 2015. – № 7. – С. 41–49.
3 Гареев М., Полбин А. Наукастинг: оценка изменения ключевых макроэкономических по-
казателей с использованием методов машинного обучения // Вопросы экономики. – 2022. – № 8. – C. 133–157. doi: 10.32609/0042-8736-2022-8-133-157
4 Дерюгина Е., Пономаренко А. Большая байесовская векторная авторегрессионная модель
для российской экономики // Банк России. Серия докладов об экономических исследованиях. – 2015. – № 1.
5 Зубарев А., Трунин П. Влияние реального обменного курса рубля на экономическую активность в России // Проблемы прогнозирования. – 2014. – № 2. – С. 92–102.
6 Козловцева И., Пономаренко А., Синяков А., Татаринцев С. Контрциклическая политика и финансовая стабильность в малой открытой экономике страны – экспортера природных ресурсов // Банк России. Серия докладов об экономических исследованиях. – 2019. – № 42.
7 Крепцев Д., Селезнев С. DSGE-модель российской экономики с банковским сектором //
Банк России. Серия докладов об экономических исследованиях. – 2017. – № 27.
8 Макеева Н. М., Станкевич И. П. Наукастинг элементов использования ВВП России //
Экономический журнал ВШЭ. – 2022. – № 4. – С. 598–622. doi: 10.17323/1813-8691-2022-26-4-598-622
9 Пестова А., Мамонов М. Обзор методов макроэкономического прогнозирования: в поисках перспективных направлений для России // Вопросы экономики – 2016a. – № 6. – С. 45–75. doi: 10.32609/0042-8736-2016-6-45-75
10 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. – 2016b. – № 4. – С. 56–92.
12 Полбин А. Эконометрическая оценка структурной макроэкономической модели российской экономики // Прикладная эконометрика. – 2014. – № 1. – С. 3–29.
13 Поршаков А., Пономаренко А., Синяков А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. – 2016. – № 2. – С. 60–76.
14 Фокин Н. Наукастинг и прогнозирование основных российских макроэкономических показателей с помощью MFBVAR-модели // Экономическая политика. – 2023. – № 3. – С. 110–135.
15 Фокин Н. О важности учета структурных сдвигов при прогнозировании российского ВВП // Прикладная эконометрика. – 2021. – Т. 63. – С. 5–29.
16 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(5–6). – pp. 594–621. doi: 10.1080/07474938.2010.481556
17 Aiolfi M., Timmermann A. Persistence in Forecasting Performance and Conditional
Combination Strategies // Journal of Econometrics. – 2006. – Vol. 135(1–2). – pp. 31–53. doi: 10.1016/j.jeconom.2005.07.015
18 Anesti N., Kalamara E., Kapetanios G. Forecasting UK GDP Growth with Large Survey Panels // Bank of England Staff Working Paper. – 2021. – N 923.
19 Ang A., Piazessi M., Wei M. What Does the Yield Curve Tell Us About GDP Growth? // Journal of Econometrics. – 2006. – Vol. 131(1–2). – pp. 359–403. doi: 10.1016/j.jeconom.2005.01.032
20 Athey S., Imbens G. W. Machine Learning Methods That Economists Should Know About // Annual Review of Economics. – 2019. – Vol. 11. – pp. 685–725. doi: 10.1146/annurev-economics-080217-053433
21 Babii A., Ghysels E., Striaukas J. Machine Learning Time Series Regressions with an Application to Nowcasting // Journal of Business and Economic Statistics. – 2022. – Vol. 40(3). – pp. 1094–1106. doi: 10.1080/07350015.2021.1899933
22 Baker S., Bloom N., Davis S. Measuring Economic Policy Uncertainty // The Quarterly Journal of Economics. – 2016. – Vol. 131(4). – pp. 1593–1636.
23 Barbaglia L., Consoli S., Manzan S. Forecasting with Economic News // Journal of Business and
Economic Statistics. – 2023. – Vol. 41(3). – pp. 708–719.
24 Bates J., Granger C. The Combination of Forecasts // Operational Research. – 1969. – Vol. 20(4). – pp. 451–468.
25 Bok B., Caratelli D., Giannone D., Sbordone A. M., Tambalotti A. Macroeconomic Nowcasting
and Forecasting with Big Data // Annual Review of Economics. – 2018. – Vol. 10. – pp. 615–643. doi: 10.1146/annurev-economics-080217-053214
26 Bolhuis M., Rayner B. Deus ex Machina? A Framework for Macro Forecasting with Machine
Learning // IMF Working Paper. – 2020. – N 45.
27 Čapek J., Crespo Cuaresma J., Hauzenberger N., Reichel V. Macroeconomic Forecasting in the Euro Area Using Predictive Combinations of DSGE Models // International Journal of Forecasting. – 2023. – Vol. 39(4). – pp. 1820–1838. doi: 10.1016/j.ijforecast.2022.09.002
28 Chan F., Pauwels L. L. Some Theoretical Results on Forecast Combinations // International Journal of Forecasting. – 2018. – Vol. 34(1). – pp. 64–74. doi: 10.1016/j.ijforecast.2017.08.005
29 Chauvet M., Potter S. Forecasting Output // Handbook of Economic Forecasting, Vol. 2 / Elliott G., Timmermann A., eds. – Elsevier, 2013. – pp. 141–194.
30 Chen L., Dolado J., Gonzalo J. Quantile Factor Models // Econometrica. – 2021. – Vol. 89(2). – pp. 875–910. doi: 10.3982/ECTA15746
31 Cimadomo J., Giannone D., Lenza M., Monti F., Sokol A. Nowcasting with Large Bayesian Vector Autoregressions // Journal of Econometrics. – 2022. – Vol. 231(2). – pp. 500–519. doi: 10.1016/j.jeconom.2021.04.012
32 Claeskens G., Hjort N. L. Model Selection and Model Averaging. – Cambridge University Press,
2008. doi: 10.1017/CBO9780511790485
33 Claeskens G., Magnus J. R., Vasnev A. L., Wang W. The Forecast Combination Puzzle: A Simple Theoretical Explanation // International Journal of Forecasting. – 2016. – Vol. 32(3). – pp. 754– 762. doi: 10.1016/j.ijforecast.2015.12.005
34 Coulombe P., Leroux M., Stevanovic D., Surprenant S. How Is Machine Learning Useful for Macroeconomic Forecasting? // Journal of Applied Econometrics. – 2022. – Vol. 37(5). – pp. 920–964. doi: 10.1002/jae.2910
35 Croushore D., Stark T. A Real-Time Data Set for Macroeconomists // Journal of Econometrics. – 2001. – Vol. 105(1). – pp. 111–130. doi: 10.1016/S0304-4076(01)00072-0 Dauphin J.-F., Dybczak K., Maneely M., Sanjani M. T., Suphaphiphat N., Wang Y., Zhang H. Nowcasting GDP: A Scalable Approach Using DFM, Machine Learning and Novel Data, Applied to European Economies // IMF Working Paper. – 2022. – N 52.
36 Diebold F. X., Mariano R. S. Comparing Predictive Accuracy // Journal of Business and
Economic Statistics. – 2002. – Vol. 20(1). – pp. 134–144.
37 Dzhunkeev U. Forecasting Unemployment in Russia Using Machine Learning Methods // Russian Journal of Money and Finance. – 2022. – Vol. 81(1). – pp. 73–87. doi: 10.31477/rjmf.202201.73
38 Estrella A. Why Does the Yield Curve Predict Output and Inflation? // The Economic Journal. – 2005. – Vol. 115(505). – pp. 722–744. doi: 10.1111/j.1468-0297.2005.01017.x
39 Feroli M. Monetary Policy and the Information Content of the Yield Spread // Federal Reserve
Board Finance and Economics Discussion Series. – 2004. – N 44.
40 Ferrara L., Simoni A. When are Google Data Useful to Nowcast GDP? An Approach via Preselection and Shrinkage // Journal of Business and Economic Statistics. – 2023. – Vol. 41(4). – pp. 1188–1202. doi: 10.1080/07350015.2022.2116025
41 Fokin N., Polbin A. Forecasting Russia’s Key Macroeconomic Indicators with the VARLASSO
Model // Russian Journal of Money and Finance. – 2019. – Vol. 78(2). – pp. 67–93. doi: 10.31477/rjmf.201902.67
42 Gareev M. Use of Machine Learning Methods to Forecast Investment in Russia // Russian Journal of Money and Finance. – 2020. – Vol. 79(1). – pp. 35–56. doi: 10.31477/rjmf.202001.35
43 Giannone D., Lenza M., Primiceri G. Prior Selection for Vector Autoregression // The Review of Economics and Statistics. – 2015. – Vol. 97(2). – pp. 436–451. doi: 10.1162/REST_a_00483 Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press, 2016.
44 Gornostaev D., Ponomarenko A., Seleznev S., Sterkhova A. Historical Database of Macroeconomic Indicators for Russia // Russian Journal of Money and Finance. – 2022. – Vol. 81(1). – pp. 88–103.
45 Hansen P., Lunde A., Nason J. The Model Confidence Set // Econometrica. – 2011. – Vol. 79(2). – pp. 453–497.
46 Harvey D., Leybourne S., Newbold P. Testing the Equality of Prediction Mean Squared Errors //
International Journal of Forecasting. – 1997. – Vol. 13(2). – pp. 281–291. doi: 10.1016/S0169-2070(96)00719-4
47 Inoue A., Kilian L. On the Selection of Forecasting Models // Journal of Econometrics. – 2006. – Vol. 130(2). – pp. 273–306. doi: 10.1016/j.jeconom.2005.03.003
48 Jung J.-K., Patnam M., Ter-Martirosyan A. An Algorithmic Crystall Ball: Forecasts-Based on Machine Learning // IMF Working Paper. – 2018. – N 230.
49 Ke G., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems, Vol. 30 (Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, USA) / Guyon I., von Luxburg U., Bengio S., Wallach H., Fergus R., Vishwanathan S., Garnett R., eds. – 2017. – pp. 3149–3157.
50 Kiranyaz S., Avci O., Abdeljaber O., Ince T., Gabbouj M., Inman D. J. 1D Convolutional Neural Networks and Applications: A Survey // Mechanical Systems and Signal Processing. – 2021. – Vol. 151. – Article 107398. doi: 10.1016/j.ymssp.2020.107398
51 Koop G., Potter M. Estimation and Forecasting in Models with Multiple Breaks // The Review of Economic Studies. – 2007. – Vol. 74(3). – pp. 763–789.
52 Kreptsev D., Seleznev S. Forecasting for the Russian Economy Using Small-Scale DSGE Models // Russian Journal of Money and Finance. – 2018. – Vol. 77(2). – pp. 51–67. doi: 10.31477/rjmf.201802.51
53 Longo L., Riccaboni M., Rungi A. A Neural Network Ensemble Approach for GDP Forecasting // Journal of Economic Dynamics and Control. – 2022. – Vol. 134. – pp. 1–29. doi: 10.1016/j.jedc.2021.104278
54 Lucas R. E. Econometric Policy Evaluation: A Critique // Carnegie-Rochester Conference Series on Public Policy. – 1976. – Vol. 1(1). – pp. 19–46.
55 Mamedli M., Shibitov D. Forecasting Russian CPI with Data Vintages and Machine Learning Techniques // Bank of Russia Working Paper Series. – 2021.
56 Masini R. P., Medeiros M. C., Mendes E. F. Machine Learning Advances for Time Series Forecasting // Journal of Economic Surveys. – 2023. – Vol. 37(1). – pp. 76–111. doi: 10.1111/joes.12429
57 Mayorova K., Fokin N. Nowcasting Growth Rates of Russia’s Export and Import by Commodity
Groups // Russian Journal of Money and Finance. – 2021. – Vol. 80(3). – pp. 34–48. 10.31477/rjmf.202103.34
58 Mikosch H., Solanko L. Forecasting Quarterly Russian GDP Growth with Mixed-Frequency Data // Russian Journal of Money and Finance. – 2019. – Vol. 78(1). – pp. 19–35. doi: 10.31477/rjmf.201901.19
59 Mogliani M., Simoni A. Bayesian MIDAS Penalized Regressions: Estimation, Selection, and Prediction // Journal of Econometrics. – 2021. – Vol. 222(1). – pp. 833–860. doi: 10.1016/j.jeconom.2020.07.022
60 Pankratova A. Forecasting Key Macroeconomic Indicators Using DMA and DMS Methods //
Russian Journal of Money and Finance. – 2024. – Vol. 83(1). – pp. 32–52. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: Unbiased Boosting with Categorical Features // arXiv Preprint. – 2019. – arXiv:1706.09516v2. doi: 10.48550/arXiv.1706.09516
62 Richardson A., van Florenstein Mulder T., Vehbi T. Nowcasting GDP Using Machine-Learning Algorithms: A Real-Time Assessment // International Journal of Forecasting. – 2021. – Vol. 37(2). – pp. 941–948. doi: 10.1016/j.ijforecast.2020.10.005
63 Semiturkin O., Shevelev A. Correct Comparison of Predictive Features of Machine Learning Methods: The Case of Forecasting Inflation Rates in Siberia // Russian Journal of Money and
Finance. – 2023. – Vol. 82(1). – pp. 87–103.
64 Sharafutdinov A. Forecasting Russian GDP, Inflation, Interest Rate, and Exchange Rate Using
DSGE-VAR Model // Russian Journal of Money and Finance. – 2023. – Vol. 82(3). – pp. 62–86. Smith J., Wallis K. A Simple Explanation of the Forecast Combination Puzzle // Oxford Bulletin
of Economics and Statistics. – 2009. – Vol. 71(3). – pp. 331–355. doi: 10.1111/j.1468-0084.2008.00541.x
65 Stark T., Croushore D. Forecasting with a Real-Time Data Set for Macroeconomists // Journal of Macroeconomics. – 2002. – Vol. 24(4). – pp. 507–531. doi: 10.1016/S0164-0704(02)00062-9
Steel M. F. J. Model Averaging and Its Use in Economics // Journal of Economic Literature. – 2020. – Vol. 58(3). – pp. 644–719. doi: 10.1257/jel.20191385
66 Stock J., Watson M. Combination Forecasts of Output Growth in a Seven-Country Data Set // Journal of Forecasting. – 2004. – Vol. 23(6). – pp. 405–430. doi: 10.1002/for.928
67 Stock J., Watson M. Forecasting Output and Inflation: The Role of Asset Prices // Journal of Economic Literature. – 2003. – Vol. 41(3). – pp. 788–829. doi: 10.1257/002205103322436197
68 Stock J., Watson M. Generalized Shrinkage Methods for Forecasting Using Many Predictors //
Journal of Business and Economic Statistics. – 2012. – Vol. 30(4). – pp. 481–493.
69 Timmermann A. Forecast Combinations // Handbook of Economic Forecasting, Vol. 1 /
Graham E., Granger C. eds. – Elsevier, 2006. – pp. 135–196.
70 Tkacz G. Neural Network Forecasting of Canadian GDP Growth // International Journal of Forecasting. – 2001. – Vol. 17(1). – pp. 57–69. doi: 10.1016/S0169-2070(00)00063-7 Wang X., 71 71 Hyndman R. J., Li F., Kang Y. Forecast Combinations: An over 50-Year Review // International Journal of Forecasting. – 2023. – Vol. 39(4). – pp. 1518–1547. doi: 10.1016/j.ijforecast.2022.11.005
Zhemkov M. Nowcasting Russian GDP Using Forecast Combination Approach // International
Economics. – 2021. – Vol. 168. – pp. 10–24. doi: 10.1016/j.inteco.2021.07.006
72 Zubarev A., Lomonosov D., Rybak K. Estimation of the Impact of Global Shocks on the Russian
Economy and GDP Nowcasting Using a Factor Model // Russian Journal of Money and
Finance. – 2022. – Vol. 81(2). – pp. 49–78.
Выпуск
Другие статьи выпуска
В начале июля 2024 г. состоялся XII международный семинар Банка России, Российской экономической школы и базовой кафедры Банка России в Национальном исследовательском университете «Высшая школа экономики» на тему «Конкуренция в финансовом секторе – барьеры, вызовы и пути дальнейшего развития». На семинаре были представлены доклады, посвященные оценке конкуренции в банковском секторе России, экономическим причинам доминирования крупных игроков в отдельных сегментах финансового рынка, влиянию цифровизации и развития экосистем на конкуренцию в финансовом секторе, выгодам и издержкам для общества.
В начале июля 2024 г. Европейский центральный банк провел форум по вопросам политики центральных банков «Денежно-кредитная политика в эпоху трансформации»2. В этом обзоре кратко описана академическая часть конференции с фокусом на темах инфляции, экономического роста, климатических и геополитических рисков, имеющих прикладное значение для политики центральных банков, а также на теме долгосрочных равновесных процентных ставок и их роли в принятии решений ёпо денежно-кредитной политике.
Весной 2020 г. пандемия COVID-19 вынудила регуляторов фондовых рынков ряда европейских стран ввести запрет на короткие продажи. Я анализирую, как этот запрет повлиял на волатильность рынков и риск экстремальных изменений цен на акции. Запрет коротких продаж считается средством предотвращения крупных обвалов фондового рынка, поскольку устранение продавцов, играющих на понижение, уменьшает вероятность падения цен на акции. Я прихожу к выводу, что введение такого запрета увеличивает показатели рыночного риска, такие как стоимость под риском и ожидаемые потери доходности акций. Установленные регуляторами требования к капиталу банков в части рыночного риска основаны на вышеупомянутых показателях. Резкое изменение любого из них усиливает уязвимость банков к колебаниям цен на акции и подталкивает их к продаже активов для устранения нарушения требований к достаточности капитала. Дополнительные продажи, вызванные последним фактором, ведут к дальнейшему снижению цен на акции. Продажа активов во время кризисов вряд ли может быть прибыльной, что, в свою очередь, также уменьшает капитал. Таким образом, запрет коротких продаж, призванный уменьшить панику на рынках, ведет к дальнейшему падению цен на акции в экономиках, где банки – ключевые игроки. Я показываю, используя данные европейских рынков за 2020 г., что запрет коротких продаж ведет к значительному повышению стоимости под риском (от 15 до 18% в зависимости от методологии расчета) и росту ожидаемых потерь на 30%.
С задачей прогнозирования инфляции методы машинного обучения справляются не хуже, а зачастую и лучше подходов, основанных на классических эконометрических моделях. Однако, несмотря на наличие временных рядов по ценам для всех товаров и услуг, являющихся отдельными компонентами потребительской корзины, для которой рассчитывается индекс потребительских цен (ИПЦ), и на то, что методы машинного обучения работают точнее с ростом объема данных, в большинстве работ покомпонентные данные ИПЦ не используются. Исследований, посвященных прогнозированию ИПЦ путем агрегации прогнозов индексов цен для отдельных категорий товаров и услуг (bottom-up approach), немного, и на их основании нельзя однозначно утверждать, будет ли агрегированный прогноз точнее, чем прогноз ИПЦ, не использующий покомпонентные данные. Мы показываем на российских данных, что в зависимости от горизонта прогнозирования покомпонентный агрегированный прогноз инфляции может быть до 1,5 раза точнее. Даже при использовании таких ставших уже классическими моделей машинного обучения, как градиентный бустинг или регрессии с регуляризацией, преимущество статистически значимо на горизонтах до полугода. Каждую компоненту инфляции и на каждый горизонт мы прогнозируем отдельной моделью независимо от остальных компонент и от остальных горизонтов.
В работе исследуется сходимость темпов роста цен на продовольственные товары в регионах России. Проведенный анализ подтверждает гипотезу о конвергенции региональной продовольственной инфляции в 2013–2022 гг. Для определения возможных изменений в динамике применяется панельное тестирование на единичный корень с использованием метода скользящего окна. Результаты тестов показывают, что за 2013–2022 гг. сходимость региональных индексов продовольственных цен к общероссийскому уровню инфляции ускорилась. Мы также рассчитываем матрицу коэффициентов взаимной конвергенции. Ее визуализация с использованием многомерного шкалирования позволяет выделить группы регионов с высоким уровнем сходимости по отношению друг к другу. В результате проведенного анализа к факторам, сдерживающим конвергенцию, отнесены различия в структуре весов товаров, используемых при расчете индексов потребительских цен, в уровне транспортно-логистической связанности и степени проникновения сетевой розницы. Исследование дополняет литературу по конвергенции инфляции тем, что не только проводит проверку гипотезы конвергенции, но и оценивает изменение сходимости в динамике, а также рассматривает взаимную конвергенцию темпов роста цен в регионах.
Издательство
- Издательство
- БАНК РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- Юр. адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- ФИО
- Набиуллина Эльвира Сахипзадовна (ПРЕДСЕДАТЕЛЬ БАНКА РОССИИ)
- Контактный телефон
- +7 (495) 9747664
- Сайт
- https://cbr.ru/