Рабочий документ: «Наукастинг ВВП: от традиционных эконометрических моделей к методам машинного обучения»

АНАЛИТИКИ ЕФСР ОЦЕНИЛИ ПОТЕНЦИАЛ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ

Аналитики Евразийского фонда стабилизации и развития (ЕФСР) подготовили рабочий документ «Наукастинг ВВП: от традиционных эконометрических моделей к методам машинного обучения». Исследование направлено на оценку потенциала современных алгоритмов машинного обучения (ML) для повышения точности краткосрочного прогнозирования макроэкономических показателей.

Перед авторами стояли две основные задачи:

• определить, способны ли алгоритмы ML превосходить традиционные эконометрические модели по точности прогнозов;
• установить, могут ли эти методы не только дополнять, но и заменять классические модели.

Ключевой особенностью исследования является применение высокочастотных индикаторов для формирования «ранних оценок» макроэкономических показателей низкой частоты, таких как ВВП, публикуемых ежеквартально с существенным временным лагом.

Для анализа использованы данные по Армении и Беларуси за 2002–2024 годы. Набор данных разделен на обучающую и тестовую выборки для оценки параметров моделей и сравнения точности прогнозов.

В формате данного исследования проведено сравнительное тестирование трех традиционных моделей и девяти алгоритмов ML. Эффективность методов оценивалась по качеству прогнозов на тестовой выборке. Результаты экспериментов показали, что наиболее эффективными оказались методы и алгоритмы ML — LASSO-регрессия, Boosting, Random Forest, SVM и RNN. Кроме того, комбинирование прогнозов на базе различных методов позволяет дополнительно улучшить точность наукастинга по сравнению с использованием отдельных методов.

Таким образом, методы и алгоритмы ML могут рассматриваться и как эффективное дополнение к традиционным эконометрическим моделям, и как их альтернатива, особенно в задачах наукастинга макроэкономических показателей.