Статья: Конкуренция в финансовом секторе – барьеры, вызовы и пути дальнейшего развития: обзор совместного семинара Банка России, РЭШ и НИУ ВШЭ1 (2024)

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%.

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.

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.