Journal of Applied Economic Research
ISSN 2712-7435
УДК УДК: 338.53; 330.42
Использование нейронных сетей для прогнозирования инфляции: новые возможности
Балацкий Е.В., Юревич М.А.
Аннотация
В статье представлен обзор последних достижений нейронных сетей применительно к задаче прогнозирования инфляции. Показано, что во многих случаях точность прогнозов, полученных с помощью нейросетевых методов, оказывается выше точности прогнозов, полученных традиционными методами экономической науки. Поднимается вопрос о глубинном противоречии между традиционным эконометрическим инструментарием и нейронными сетями, так как первые проигрывают вторым по точности расчетов, а вторые по сравнению с первыми не имеют под собой никакой осмысленной теории. Вместе с тем авто-ры показывают, что указанное противоречие может быть снято путем объединения двух ви-дов прогнозного инструментария. В развитие данного тезиса в статье предложена двухшаго-вая модель краткосрочного прогнозирования инфляции. Сущность авторского подхода со-стоит в построении малоразмерной (пятифакторной) эконометрической модели инфляции, которая обладает хорошими статистическими характеристиками и дает адекватное теорети-ческое объяснение моделируемому процессу, однако при этом не позволяет прогнозировать месячные темпы инфляции с высокой точностью. Авторами показано, что данная проблема является типичной для современной макроэкономики и представляет собой частное проявле-ние так называемой фундаментальной проблемы атрибуции данных в макромоделях. В статье показано, что данная проблема не имеет решения в рамках традиционных макроэконо-мических моделей. В связи с этим для повышения точности прогнозов был использован своеобразный вычислительный фильтр в виде нейронной сети, обучение которой позволило для отобранных факторов инфляции провести калибровку расчетов и довести их качество до необходимого уровня. Показаны преимущества предложенной схемы последовательного со-пряжения эконометрической модели и нейронной сети.
Ключевые слова
инфляция; индекс потребительских цен; центральный банк; эконометрика; регрессионный анализ; нейронные сети
Список использованной литературы
1. Горшкова Т., Синельникова Е. Сравнительный анализ прогнозных свойств моделей российской инфляции // Научный вестник ИЭП им. Гайдара. 2016. № 6. С. 34–41.
2. Odom M.D., Sharda R. A neural network model for bankruptcy prediction // Neural Networks, 1990. IJCNN International Joint Conference. 1990. P. 163–168.
3. Rahimian E., Singh S., Thammachote T., Virmani R. Bankruptcy prediction by neural network // Neural Networks in Finance and Investing / еdited by R. Trippi, E. Turban. Probus Publishing, 1993. P. 159–176.
4. Marose R.A. A financial neural-network application // AI Expert. 1990. Vol. 5, Issue 5. P. 50–53.
5. Jagielska I., Jaworski J. Neural network for predicting the performance of credit card accounts // Computational Economics. 1996. Vol. 9, Issue 1. P. 77–82.
6. ТАСС. Сбербанк запустил первую в России систему оценки недвижи-мости с помощью нейросети. [Электронный ресурс]. Режим доступа: tass.ru/ekonomika/4943437.
7. Tkacz G. Neural network forecasting of Canadian GDP growth // Interna-tional Journal of Forecasting. 2001. Vol. 17, Issue 1. P. 57–69.
8. Aminian F., Suarez E.D., Aminian M., Walz D.T. Forecasting economic data with neural networks // Computational Economics. 2006. Vol. 28, Issue 1. P. 71–88.
9. Alon I., Qi M., Sadowski R.J. Forecasting aggregate retail sales: a compari-son of artificial neural net-works and traditional methods // Journal of Retailing and Consumer Services. 2001. Vol. 8, Issue 3. P. 147–156.
10. Kuan C.M., Liu T. Forecasting exchange rates using feedforward and re-current neural networks // Journal of Applied Econometrics. 1995. Vol. 10, Issue 4. P. 347–364.
11. Swanson N.R., White H. A model selection approach to real-time macroe-conomic forecasting using linear models and artificial neural networks // Review of Economics and Statistics. 1997. Vol. 79, Issue 4. P. 540–550.
12. Chen A.S., Leung M.T., Daouk H. Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index // Com-puters & Operations Research. 2003. Vol. 30, Issue 6. P. 901–923.
13. Shen W., Guo X., Wu C., Wu D. Forecasting stock indices using radial ba-sis function neural networks optimized by artificial fish swarm algorithm // Knowledge-Based Systems. 2011. Vol. 24, Issue 3. P. 378–385.
14. Kohzadi N., Boyd M.S. Testing for chaos and nonlinear dynamics in cattle prices // Canadian Journal of Agricultural Economics. 1995. Vol. 43, Issue 3. P. 475–484.
15. Aiken M. Using a neural network to forecast inflation // Industrial Man-agement & Data Systems. 1999. Vol. 99, Issue 7. P. 296–301.
16. Binner J.M. Bissoondeeal R., Elger T. A comparison of linear forecasting models and neural networks: an application to Euro inflation and Euro Divisia // Ap-plied Economics. 2005. Vol. 37, Issue 6. P. 665–680.
17. Choudhary M.A., Haider A. Neural network models for inflation forecast-ing: an appraisal // Applied Economics. 2012. Vol. 44, Issue 20. P. 2631–2635.
18. Thakur G.S.M., Bhattacharyya R., Mondal S.S. Artificial neural network based model for forecasting of inflation in India // Fuzzy Information and Engineering. 2016. Vol. 8, Issue 1. P. 87–100.
19. Haider A., Hanif M.N. Inflation forecasting in Pakistan using artificial neural networks // Pakistan Economic and Social Review. 2009. Vol. 47, No. 1. P. 123–138.
20. Catik A.N., Karaçuka M. A comparative analysis of alternative univariate time series models in forecasting Turkish inflation // Journal of Business Economics and Management. 2012. Vol. 13, Issue 2. P. 275–293.
21. Зарова Е.В., Заров И.К. Нейронные сети как средство моделирования и прогнозирования инфляционных процессов // Вестник Самарского государ-ственного технического университета. Серия Физико-математические науки. 2005. № 34. С. 182–186.
22. Коваленко А.В., Уртенов М.Х. Нейросетевое моделирование инфля-ции в России // Политематический сетевой электронный научный журнал Ку-банского государственного аграрного университета. 2010. №. 61. С. 278–297.
23. Огородов А.П. Учет влияния ряда факторов при прогнозировании инфляционных процессов на базе нейронных сетей // Электроника и информационные технологии. 2011. №. 1 [Электронный ресурс]. Режим доступа: fetmag.mrsu.ru/2011-1/pdf/Forecasting_Of_Inflationary.pdf.
24. Балацкий Е.В. Факторы формирования валютных курсов: плюрализм моделей, теорий и концепций // Мировая экономика и международные отношения. 2003. № 1. С.46–58.
Информация об авторах
Балацкий Евгений Всеволодович – доктор экономических наук, профессор, директор Центра макроэкономических исследований Финансового университета при Правительстве РФ, г. Москва, Россия (125167, г. Москва, Ленинградский пр., 49), главный научный сотрудник Центрального экономико-математического института РАН, г. Москва, Россия (117418, г. Москва, Нахимовский пр., 47); e-mail: evbalatsky@inbox.ru.
Юревич Максим Андреевич – младший научный сотрудник Центра макроэкономических исследований Финансового университета при Правительстве РФ, г. Москва, Россия (125167, г. Москва, Ленинградский пр., 49); e-mail: maksjuve@gmail.com.
Для цитирования
Балацкий Е.В., Юревич М.А. Использование нейронных сетей для прогнозирования инфляции: новые возможности // Вестник УрФУ. Серия экономика и управление. 2018. Т. 17, № 5. С. 823-838. DOI: 10.15826/vestnik.2018.17.5.037.
Информация о статье
Дата поступления 2 августа 2018 г.; дата принятия к печати 4 сентября 2018 г.
DOI: http://dx.doi.org/10.15826/vestnik.2018.17.5.037
Скачать полный текст статьи:
~669 кБ, *.pdf
(Размещен
30.10.2018)
Создано / Изменено: 23 сентября 2021 / 23 сентября 2021
© ФГАОУ ВО «УрФУ имени первого Президента России Б.Н. Ельцина»
Увидели ошибку?
выделите фрагмент и нажмите:
Ctrl + Enter
Дизайн портала: Artsofte