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

Статья опубликована в журнале: Экономический анализ: теория и практика, 2024, Т. 23, № 9, С. 1767-1782

Автор(ы): Гришунин С.В., Сулоева С.Б., Бурова Е.В., Богданова Т.А.

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Аннотация

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