Пермские учёные увеличили точность прогнозирования инфляции в экономике с помощью машинного обучения
Исследователи из НИУ ВШЭ в Перми, Татьяна Букина и Дмитрий Кашин, обнаружили, что машинное обучение может существенно улучшить прогнозирование инфляции по сравнению с традиционными эконометрическими моделями. Их исследование, проведённое на данных по 14 регионам Приволжского федерального округа, показало, что современные алгоритмы, такие как градиентный бустинг, дают более точные долгосрочные прогнозы.
До 2014 года инфляцию в России прогнозировали по старинке, но с введением таргетирования инфляции Банк России стал ставить конкретные цели. Для прогнозирования инфляции используют различные экономические данные, такие как индекс потребительских цен и уровень безработицы. В исследовании применялись данные Единой межведомственной информационно-статистической системы, а прогнозирование проводилось с помощью программ R Studio и Python.
Татьяна Букина объяснила, что для машинного обучения важна точная настройка гиперпараметров моделей, что обеспечивает их надёжную работу. В их исследовании модель градиентного бустинга показала лучшие результаты по сравнению с классическими авторегрессионными моделями AR (1), на горизонтах прогнозирования от 3 до 24 месяцев. Также методы случайного леса и опорных векторов продемонстрировали хорошие результаты на длительных горизонтах. Авторы считают, что сочетание машинного обучения и традиционных методов может значительно повысить точность прогнозов инфляции, что особенно важно в условиях экономической нестабильности.