УДК 338.5

Точность рыночных и опросных ожиданий в прогнозировании инфляции в России

Е.Л. Прокопьева 1, М.С. Хорошилов 2

1 Новосибирский государственный университет экономики и управления, г. Новосибирск, Россия
2 Новосибирский национальный исследовательский государственный университет, г. Новосибирск, Россия

Аннотация

Центральные банки используют показатели инфляционных ожиданий для прогнозирования инфляции и принятия решений в области денежно-кредитной политики. Информация об инфляционных ожиданиях доступна из опросов, новостных индексов и данных финансового рынка. Актуальность исследования обусловлена отсутствием консенсуса в научной литературе относительно наиболее эффективной метрики инфляционных ожиданий. Данное исследование нацелено на сравнение точности прогнозов, полученных с помощью ожиданий участников финансового рынка с ожиданиями фирм, потребителей и статистикой поисковых запросов по инфляционной тематике. Мы предполагаем, что включение рыночных ожиданий инфляции, измеренных через вмененную инфляцию по облигациям с индексируемым номиналом, в модель прогнозирования инфляции повышает её точность по сравнению с моделями, использующими альтернативные метрики. В работе реализован квартальный прогноз по новокейнсиансокой кривой Филлипса с использованием указанных выше переменных инфляционных ожиданий на российских данных за 11.2015–10.2024 гг. Применяется рекурсивная схема прогноза (расширяющееся окно). Результаты теста Диболда – Мариано демонстрируют, что все предложенные спецификации кривой Филлипса, кроме модели с ожиданиями потребителей, превосходят модель случайного блуждания в отсутствии внешних шоков (февраль 2022 г.). Модель на базе вмененной инфляции не уступает альтернативным метрикам и превосходит модель с ожиданиями потребителей. Наилучшую точность показали ожидания производителей и статистика запросов. Теоретические результаты исследования развивают методики оценки инфляционных ожиданий. Предложен оригинальный разностный метод, позволяющий выразить в явном виде ожидаемый темп роста цен с учетом особенностей ОФЗ с индексируемым номиналом Минфина РФ. На практическом уровне исследование позволяет ответить на актуальный для регулятора вопрос: чьим ожиданиям следует доверять больше. Перспективы дальнейших исследований включают синтез рыночных ожиданий путем построения структурных моделей, на базе более распространенных, чем ОФЗ-ИН финансовых инструментов, привязанных к реагирующей на инфляцию ключевой ставке Банка России.

Ключевые слова

прогнозирование инфляции; кривая Филипса; инфляционные ожидания; вмененная инфляция; ожидания участников финансового рынка.

JEL classification

Список использованной литературы

1. Широв А.А., Гусев М.С., Некрасов Ф.О. Природа инфляции в современной российской экономике и ее влияние на экономический рост // Проблемы прогнозирования. 2025. № 2. С. 5–19. https://doi.org/10.47711/0868-6351-209-5-19

          2. Gali J., Gertler M., Lopez-Salido J.D. Robustness of the estimates of the hybrid New Keynesian Phillips curve // Journal of Monetary Economics. 2005. Vol. 52, Issue 6. Pp. 1107–1118. https://doi.org/10.1016/j.jmoneco.2005.08.005

          3. Челекбай А.Д., Абжалелова Ш.Р., Ерназарова У.С. Трансмиссионные механизмы инфляционного таргетирования: анализ трансмиссионных процессов // Qainar Journal of Social Science. 2023. Т. 2, № 3. С. 23–40. https://doi.org/10.58732/2958-7212-2023-3-23-40

          4. Сугарова И.В., Кулумбегова Л.В. Инфляционные ожидания и их влияние на денежно-кредитную политику // Фундаментальные исследования. 2024. № 11. С. 25–29. https://doi.org/10.17513/fr.43709

          5. Матевосова А.М. Высокочастотное моделирование влияния санкций на инфляционные ожидания российского населения // Вестник Института экономики Российской академии наук. 2024. № 4. С. 139–158. https://doi.org/10.52180/2073-6487_2024_4_139_158

          6. Соболева Е.Н., Власенко А.С., Богданов А.Л. Оценка влияния коммуникации Банка России на инфляционные ожидания россиян // Вестник Томского государственного университета. Экономика. 2025. № 69. С. 355–366. https://doi.org/10.17223/19988648/69/20

          7. Белоглазова И.А., Кориков А.А., Юрченко К.П. Инфляционные ожидания и восприятие инфляции населением: экспериментальные оценки и возможности для коммуникационной политики Центрального банка // Journal of New Economy. 2025. Т. 26, № 1. С. 50–68. https://doi.org/10.29141/2658-5081-2025-26-1-3

          8. Зубарев А. Об оценке кривой Филлипса для российской экономики // Экономический журнал Высшей школы экономики. 2018. Т. 22, № 1. С. 40–58. https://doi.org/10.17323/1813-8691-2018-22-1-40-58

          9. Картаев Ф., Беседовская М. Полезна ли кривая Филлипса для прогнозирования инфляции в России? // Вестник Московского университета. Экономика. 2023. № 6. С. 24–43. https://doi.org/10.55959/MSU0130-0105-6-58-6-2

          10. Bańbura M., Bobeica E. Does the Phillips curve help to forecast euro area inflation? // International Journal of Forecasting. 2023. Vol. 39, Issue 1. Pp. 364–390. https://doi.org/10.1016/j.ijforecast.2021.12.001

          11. Stock J.H., Watson M.W. Forecasting inflation // Journal of Monetary Economics. 1999. Vol. 44, Issue 2. Pp. 293–335. https://doi.org/10.1016/S0304-3932(99)00027-6

          12. Перевышин Ю.Н. Краткосрочное прогнозирование инфляции в российской экономике // Экономическая политика. 2022. Т. 17, № 5. С. 8–25. http://dx.doi.org/10.18288/1994-5124-2022-5-8-25

          13. Kreptsev D., Seleznev S. Forecasting for the Russian Economy Using Small-Scale DSGE Models // Russian Journal of Money and Finance. 2018. Vol. 77, No. 2. Pp. 51–67. http://dx.doi.org/10.31477/rjmf.201802.51

          14. Smets F., Warne A., Wouters R. Professional forecasters and real-time forecasting with a DSGE model // International Journal of Forecasting. 2014. Vol. 30, Issue 4. Pp. 981–995. https://doi.org/10.1016/j.ijforecast.2014.03.018

          15. Колюжнов Д.В., Ляхнова М.В. Малая DSGE-модель экономики России с неоднородным адаптивным обучением // Мир экономики и управления. 2022. Т. 22, № 3. С. 66–87. https://doi.org/10.25205/2542-0429-2022-22-3-66-87

          16. Rudakouski Y. Comparing Forecasting Accuracy between BVAR and VAR Models for the Russian Economy // Higher School of Economics Economic Journal. 2023. Vol. 27, No. 4. Pp. 506–526. https://doi.org/10.17323/1813-8691-2023-27-4-506-526

          17. Clark T.E., Huber F., Koop G., Marcellino M. Forecasting US inflation using Bayesian nonparametric models // The Annals of Applied Statistics. 2024. Vol. 18, Issue 2. Pp. 1421–1444. https://doi.org/10.1214/23-AOAS1841

          18. Ertl M., Fortin I., Hlouskova J., Koch S.P., Kunst R.M., Sögner L. Inflation forecasting in turbulent times // Empirica. 2025. Vol. 52. Pp. 5–37. https://doi.org/10.1007/s10663-024-09633-z

          19. Fokin N., Polbin A. Forecasting Russia's key macroeconomic indicators with the var-lasso model // Russian Journal of Money and Finance. 2018. Vol. 78, No. 2. Pp. 67–93. https://doi.org/10.31477/rjmf.201902.67

          20. Ulyankin F. Forecasting Russian Macroeconomic Indicators Based on Information from News and Search Queries // Russian Journal of Money and Finance. 2020. Vol. 79, No. 4. Pp. 75–97. https://doi.org/10.31477/rjmf.202004.75

          21. Pratap B., Pawar A., Sengupta S. Non-linear Phillips Curve for India: Evidence from Explainable Machine Learning // Computational Economics. 2025. Pp. 1–44. https://doi.org/10.1007/s10614-025-10942-z

          22. Medeiros M.C., Vasconcelos G.F.R., Veiga Á., Zilberman E. Forecasting inflation in a data-rich environment: the benefits of machine learning methods // Journal of Business & Economic Statistics. 2021. Vol. 39, Issue 1. Pp. 98–119. https://doi.org/10.1080/07350015.2019.1637745

          23. Pavlov E. Forecasting Inflation in Russia Using Neural Networks // Russian Journal of Money and Finance. 2020. Vol. 79, No. 1. Pp. 57–73. https://doi.org/10.31477/rjmf.202001.57

          24. Vicente J.V.M., Graminho F.M. Decompondo a inflação implícita // Revista Brasileira de Economia. 2015. Vol. 69. Pp. 263–284. https://doi.org/10.5935/0034-7140.20150012

          25. Zeng Z. New tips from TIPS: Identifying inflation expectations and the risk premia of break-even inflation // The Quarterly Review of Economics and Finance. 2013. Vol. 53, Issue 2. Pp. 125–139. https://doi.org/10.1016/j.qref.2013.02.005

          26. Verbrugge R.J., Zaman S. Whose inflation expectations best predict inflation? // Economic Commentary. 2021. No. 2021–19. https://doi.org/10.26509/frbc-ec-202119

          27. Grothe M., Meyler A. Inflation forecasts: Are market-based and survey-based measures informative? // ECB Working Paper Series. No. 1865. European Central Bank (ECB), 2015. 33 p. https://doi.org/10.2866/516204

          28. Mertens T.M., Zhang T. A Financial New Keynesian Model // SSRN. 2023. 4631294. http://dx.doi.org/10.2139/ssrn.4631294

          29. Diercks A.M., Campbell C., Sharpe S, Soques D. The swaps strike back: Evaluating expectations of one-year inflation // Finance and Economics Discussion Series. No. 2023-061. Washington: Board of Governors of the Federal Reserve System, 2023. 41 p. https://doi.org/10.17016/FEDS.2023.061

          30. Huber F., Onorante L., Pfarrhofer M. Forecasting euro area inflation using a huge panel of survey expectations // International Journal of Forecasting. 2024. Vol. 40, Issue 3. Pp. 1042–1054. https://doi.org/10.1016/j.ijforecast.2023.09.003

          31. Altug S., Çakmaklı C. Forecasting inflation using survey expectations and target inflation: Evidence for Brazil and Turkey // International Journal of Forecasting. 2016. Vol. 32, Issue 1. Pp. 138–153. https://doi.org/10.1016/j.ijforecast.2015.03.010

          32. Yurevich M. Inflation Expectations and Inflation: Nowcasting and Forecasting // Journal of Economic Regulation. 2021. Vol. 12, No. 2. 22–35. https://doi.org/10.17835/2078-5429.2021.12.2.022-035

          33. Stock J.H., Watson M.W. Why has US inflation become harder to forecast? // Journal of Money, Credit and Banking. 2007. Vol. 39, Issue 1. Pp. 3–33. https://doi.org/10.1111/j.1538-4616.2007.00014.x

          34. Zeileis A. Econometric Computing with HC and HAC Covariance Matrix Estimators // Journal of Statistical Software. 2004. Vol. 11, Issue 10. Pp. 1–17. https://doi.org/10.18637/jss.v011.i10

          35. Hampel F.R. Introduction to Huber robust estimation of a location parameter // Breakthroughs in Statistics: Methodology and Distribution / еdited by S. Kotz, N.L. Johnson. New York, NY: Springer New York, 1992. Pp. 479–491. https://doi.org/10.1007/978-1-4612-4380-9_35

          36. Wahlstrom R.R., Paraschiv F., Schürle M. A comparative analysis of parsimonious yield curve models with focus on the Nelson-Siegel, Svensson and Bliss versions // Computational Economics. 2022. Vol. 59. Pp. 967–1004. https://doi.org/10.1007/s10614-021-10113-w

Информация об авторах

Прокопьева Евгения Леонидовна

Доктор экономических наук, профессор кафедры финансового рынка и финансовых институтов Новосибирского государственного университета экономики и управления, г. Новосибирск, Россия (630099, г. Новосибирск, ул. Каменская, 56); ORCID https://orcid.org/0000-0002-6818-5780 e-mail: evgenia-prokopjeva@yandex.ru

Хорошилов Матвей Сергеевич

Магистрант Новосибирского национального исследовательского государственного университета, г. Новосибирск, Россия (630090, г. Новосибирск, ул. Пирогова, 2); ORCID https://orcid.org/0000-0003-2498-4051 e-mail: matveykhoroshilov222@gmail.com

Для цитирования

Прокопьева Е.Л., Хорошилов М.С. Точность рыночных и опросных ожиданий в прогнозировании инфляции в России // Journal of Applied Economic Research. 2025. Т. 24, № 4. С. 1219-1248. https://doi.org/10.15826/vestnik.2025.24.4.040

Информация о статье

Дата поступления 10 июля 2025 г.; дата поступления после рецензирования 6 августа 2025 г.; дата принятия к печати 20 августа 2025 г.

DOI: https://doi.org/10.15826/vestnik.2025.24.4.040

Скачать полный текст статьи: