Сулоева С.Б.доктор экономических наук, профессор Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация suloeva_sb@mail.ru https://orcid.org/0000-0001-6873-3006 SPIN-код: 3977-8902
Бурова Е.В.кандидат экономических наук, доцент Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация ekapetr@mail.ru https://orcid.org/0000-0003-3310-6074 SPIN-код: 1176-2263
Богданова Т.А.кандидат экономических наук, доцент Высшей инженерно-экономической школы, Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург, Российская Федерация diplomb@mail.ru https://orcid.org/0000-0003-3550-5415 SPIN-код: 9199-9667
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
Список литературы:
Bai J., Ng S. Determining the number of factors in approximate factor models. Econometrica, 2002, vol. 70, iss. 1, pp. 191–221. URL: Link
Jung R., Richard J.-F., Liesenfeld R. Dynamic Factor Models for Multivariate Count Data: An Application to Stock-Market Trading Activity. Journal of Business and Economic Statistics, 2008, vol. 29(1), pp. 73–85. URL: Link
Пономарев Ю., Плескачев Ю. Краткосрочное прогнозирование ВВП с помощью динамической факторной модели // Экономическое развитие России. 2018. Т. 25. № 1. С. 15–19. URL: Link
Поршаков А.С., Пономаренко А.А., Синяков А.А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. 2016. № 2. С. 60–76. URL: Link
Jena P.R., Majhi R., Kalli R. et al. Impact of COVID-19 on GDP of major economies: Application of the artificial neural network forecaster. Economic Analysis and Policy, 2021, vol. 69, pp. 324–339. URL: Link
Shijun Chen, Xiaoli Han, Yunbin Shen, Chong Ye. Application of Improved LSTM Algorithm in Macroeconomic Forecasting. Computational Intelligence and Neuroscience, 2021, vol. 20. URL: Link
Longo L., Riccaboni M., Rungi A. A neural network ensemble approach for GDP forecasting. Journal of Economic Dynamics & Control, 2022, vol. 134, no. 104278. URL: Link
Mariano R., Murasawa Y. A new coincident index of business cycles based on monthly and quarterly series. Journal of Applied Econometrics, 2003, vol. 18(4), pp. 427–443. URL: Link
Stock J., Watson M. Macroeconomic forecasting using diffusion indexes. Journal of Business and Economic Statistics, 2002, vol. 20, iss. 2, pp 147–162. URL: Link
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735–1780. URL: Link
Clark T.E., McCracken M.W. Averaging Forecasts from VARs with Uncertain Instabilities. Journal of Applied Econometrics, 2010, vol. 25(1), pp. 291–311. URL: Link
Chernis T., Sekkel R. A dynamic factor model for nowcasting Canadian GDP growth. Empirical Economics, 2017, vol. 53(4), pp. 217–234. URL: Link
Ba Chu, Shafiullah Qureshi. Comparing Out-of-Sample Performance of Machine Learning Methods to Forecast U.S. GDP Growth. Computational Economics, 2023, vol. 62, pp. 1567–1609. URL: Link
Ahmed N.K., Atiya A.F., Gayar N.E., El-Shishiny H. An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 2010, vol. 29, iss. 5-6, pp. 594–621. URL: Link
Richardson A., Van Florenstein Mulde T., Vehbi T. Nowcasting GDP using machine-learning algorithms: A real-time assessment. International Journal of Forecasting, 2021, vol. 37, iss. 2, pp. 941–948. URL: Link
Teräsvirta T., Van Dijk D., Medeiros M.C. Linear models, smooth transition autoregressions, and neural networks for forecasting macroeconomic time series: A re-examination. International Journal of Forecasting, 2005, vol. 21, iss. 4, pp. 755–774. . URL: Link
