г. Ростов-на-Дону ул. Пушкинская, 43, оф. 10
e-mail: info@hjournal.ru 
тел. +7(863) 269-88-14

scienceRU

Учет пороговых немонетарных событий в гибридных моделях инфляции

Учет пороговых немонетарных событий в гибридных моделях инфляции

Journal of Economic Regulation (Вопросы регулирования экономики), , Том 10 (номер 1),

В статье показано, что за последние десятилетия феномен инфляции претерпел большие изменения, превратившись из монетарного явления преимущественно в немонетарное. Прикладные расчеты полностью подтверждают этот вывод применительно к России. Сильная зависимость инфляции от огромного числа немонетарных факторов требует разработки новых подходов к ее моделированию и прогнозированию. Новая доктрина предполагает переход от моно- инструментальных модельных комплексов к поли-инструментальным аналитическим системам. Кроме того, выполненные прикладные расчеты показывают, что практически вся потенциальная волатильность феномена инфляции уходит в область краткосрочных флуктуаций, т.е. годовые фактические и модельные значения индекса цен различаются минимально, тогда как их месячные значения разнятся очень сильно. Тем самым акцент при моделировании инфляции смещается в сторону обеспечения именно краткосрочных прогнозов, что представляет собой самостоятельную инструментальную проблему. В рамках нового аналитического тренда авторы предлагают специализированную систему прогнозирования инфляции, включающую лицо, принимающее решения, аналитическое ядро, состоящее из сопряженных между собой эконометрической модели и нейронной сети, и аналитического интерфейса, включающего систему учета пороговых событий немонетарной природы и систему учета волатильности факторов инфляции. В работе предлагается список пороговых событий и алгоритм принятия решений по корректировке модели на его основе с помощью введенных в рассмотрение индексов важности событий, оцениваемых на базе экспертного опроса, и индекса инфляционного потенциала внешней среды.


Ключевые слова: инфляция; немонетарные факторы; пороговые события; риск; моделирование; прогнозирование; нейронные сети

Список литературы:
  • Андреев А. (2016). Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Серия докладов об экономических исследованиях, № 14. (http://www.cbr.ru/Content/Document/File/16726/wps_14.pdf – Дата обращения: 06.11.2018).
  • Балацкий Е. В., Екимова Н. А. и Юревич М. А. (2018). Немонетарные факторы в трансмиссионном механизме денежно-кредитной политики: пересмотр стратегии регулирования инфляцией // Управленец, Т. 9, № 5, с. 26–39.
  • Балацкий Е. В., Екимова Н.А. и Зубец А.Н. (2018). Инфляционные риски, порождаемые немонетарными факторами: типология, механизмы возникновения, оценка // Вопросы регулирования экономики, Т. 9, № 3, с. 6–21.
  • Балацкий Е. В. и Юревич М. А. (2018). Использование нейронных сетей для прогнозирования инфляции: новые возможности // Вестник УрФУ. Серия Экономика, Т. 17, № 5, с. 823–838, DOI: 10.15826/vestnik.2018.17.5.037.
  • Васильев А. А. (2014). Генезис гибридных моделей прогнозирования на основе объединения прогнозов // Вестник Тверского государственного университета. Серия: Экономика и управление, № 1, с. 316–331.
  • Коваленко А. В. и Уртенов М. Х. (2010). Нейросетевое моделирование инфляции в России // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, № 61, с. 44–63.
  • Митрафанов А. Ю. и Русановский А. В. (2008). Прогнозирование структуры занятости на основе модели марковской векторной авторегрессии // Вестник Саратовского государственного социально-экономического университета, № 3(22), с. 25–29.
  • Степаненко Д. Б. (2018). Разработка гибридной модели прогнозирования временных рядов на основе алгоритма случайного леса и модели ARIMA // Научно-практический электронный журнал «Аллея Науки», № 4(20). (https://www.alley-science.ru/domains_data/files/052April18/RAZRABOTKA%20GIBRIDNOY%20MODELI%20PROGNOZIROVANIYa%20VREMENNYH%20RYaDOV%20NA%20OSNOVE%20ALGORITMA%20SLUChAYNOGO%20LESA%20I%20MODELI%20ARIMA.pdf – Дата обращения: 06.11.2018).
  • Талеб Н. Н. (2009). Черный лебедь. Под знаком непредсказуемости. М.: КоЛибри. 528 с.
  • Турунцева М. Ю., Астафьева Е. В. и Петренко В. Д. (2014). Прогнозирование инфляции: эмпирика и реальность // Экономика. Налоги. Право, № 1, с. 53–57.
  • Шичкин А. В., Буевич А. Г., Сергеев А. П., Баглаева Е. М. и Субботина И. Е. (2018). Прогнозирование содержания аномально распределенного в почве хрома гибридными моделями на основе искусственных нейронный сетей // Геоэкология. Инженерная геология. Гидрогеология. Геокриология, № 3, с. 86–96.
  • Щелкалин В. Н. (2014). Гибридные модели и методы прогнозирования временных рядов на основе методов «Гусеница»-SSA и Бокса-Дженкинса // Восточно-Европейский журнал передовых технологий, Т. 5, № 4(71), с. 43–62.
  • Akdogan, K., Baser, S., Chadwick, M. G., Ertuğ, D., Hülagü, T., Kösem, S., Ozmen, U. and Tekatli, N. (2013). Short-term inflation forecasting models for Turkey and a forecast combination analysis // Economic Modelling, 33, 312–325, DOI: 10.1016/j. econmod.2013.04.001.
  • Bates, J. M. and Granger, C. W. J. (1969). The Combination of Forecasts // Journal of the Operational Research Society, 20(4), 451–468.
  • Bozkurt, O. O., Biricik, G. and Taysi, Z. C. (2017). Artificial neural network and SARIMA based models for power load forecasting in Turkish electricity market // PLOS ONE, 12(4), DOI: 10.1371/journal.pone.0175915.
  • Chai, Y., Jia, L. and Zhang, Z. (2009). Mamdani Model based Adaptive Neural Fuzzy Inference System and its Application // International Journal of Computer, Electrical, Automation, Control and Information Engineering, 3(3), 663–670.
  • Golyandina, N., Nekrutkin, V. and Zhigljavsky, A. (2001). Analysis of time series structure: SSA and related techniques. New York: Chapman and Hall/CRC. P. 320. DOI: 10.1201/9781420035841.
  • He, Y., Zhu, Y. and Duan, D. (2006). Research on Hybrid ARIMA and Support Vector Machine Model in Short Term Load Forecasting / In Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications. Chine, 1–5, DOI: 10.1109/isda.2006.229.
  • Hou, Z., Makarov, Y. V., Samaan, N. A. and Etingov, P. V. (2013). Standardized Software for Wind Load Forecast Error Analyses and Predictions Based on Wavelet-ARIMA Models –Applications at Multiple Geographically Distributed Wind Farms / In Hawaii International Conference on System Sciences. USA, 5005–5011, DOI: 10.1109/hicss.2013.495.
  • Kanevski, M., Pozdnoukhov, A. and Timonin, V. (2009). Machine Learning for Spatial Environmental Data. Theory, Applications and Software. Switzerland: EPFL Press. P. 380.
  • Lakes, T., Muller, D. and Kruger, C. (2009). Cropland change in southern Romania: a comparison of logistic regressions and artificial neural networks // Landscape Ecology, 24(9), 1195–1206, DOI: 10.1007/s10980-009-9404-2.
  • Linh, B. N., Amy, A. and Doug, H. (2012). An Empirical Study on Forecasting using Decomposed Arrival Data of an Enterprise Computing System / In 9th International Conference on Information Technology – New Generations. USA, 756–763, DOI: 10.1109/itng.2012.36.
  • Marques, C. A. F., Ferreira, J. A., Rocha, A. and Dias, J. M. (2006). Singular spectrum analysis and forecasting of hydrological time series // Physics and Chemistry of the Earth Parts A/B/C, 31(18), 1172–1179, DOI: 10.1016/j.pce.2006.02.061.
  • Newbold, P. and Granger, C. W. J. (1974). Experience with Forecasting Univariate Time Series and Combination of Forecasts // Journal of Royal Statistical Society, 137(2), 131–164.
  • Sivapragasam, C., Liong, S. Y. and Pasha, M. F. K. (2001). Rainfall and Runoff Forecasting with SSA-SVM Approach // Journal of Hydroinformatics, 3(3), 141–152.
  • Tian, F. P. and Ma, L. L. (2010). Forecast of Cerebral Infraction Incidence Rate Based on BP Neural Network and ARIMA Combined Model / In International Symposium on Intelligence Information Processing and Trusted Computing. Chine, 216–219, DOI: 10.1109/iptc.2010.7.
  • Wang, B., Hao, W. N., Chen, G., He, D. C. and Feng, B. A. (2013). Wavelet Neural Network Forecasting Model Based on ARIMA // Applied Mechanics and Materials, 347-350, 3013–3018.
  • Xuemei, L. A., Lixing, D., Ming, S., Gang, X. and Jibin, L. (2009). Novel Air-conditioning Load Prediction Based on ARIMA and BPNN Model / In Asia-Pacific Conference on Information Processing. Chine, 51–54, DOI: 10.1109/apcip.2009.21.
  • Zhang, P. G. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model // Neurocomputing, 50(17), 159–175.
  • Zhang, Q., Wang, B.-D., He, B., Peng, Y. and Ren, M.-L. (2011). Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runoff Forecasting // Water Resources Management, 25(11), 2683–2703, DOI: 10.1007/s11269-011-9833-y.
Издатель: ООО "Гуманитарные Перспективы"
Учредитель: ООО "Гуманитарные Перспективы"
Online ISSN: 2412-6047
ISSN: 2078-5429