Учет пороговых немонетарных событий в гибридных моделях инфляции

Балацкий Евгений Всеволодович
доктор экономических наук, профессор, директор Центра макроэкономических исследований, Финансовый университет при Правительстве РФ, г. Москва, Ленинградский пр., 49, Москва, 125167, главный научный сотрудник, Центральный экономико-математический институт РАН, г. Москва, Нахимовский пр., 47, Москва, 117418, Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Екимова Наталья Александровна
кандидат экономических наук, доцент, ведущий научный сотрудник Центра макроэкономических исследований, Финансовый университет при Правительстве РФ, г. Москва, Ленинградский пр., 49, Москва, 125167, Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Journal of Economic Regulation (Вопросы регулирования экономики), 2019, Том 10 (номер 1),

с. 6-24
DOI: 10.17835/2078-5429.2019.10.1.006-024

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.

скачать полный текст статьи

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