Использование нейронных сетей для прогнозирования инфляции: новые возможности

Abstract

The article presents an overview of the latest achievements of neural networks in relation to the problem of inflation forecasting. It is shown that in many cases the accuracy of the forecasts obtained by neural network methods is higher than the accuracy of the forecasts obtained by traditional methods of economic science. Neural networks beat econometric instruments in accuracy of calculations, but lack meaningful theory. This contradiction can be eliminated by combining two types of predictive tools. In the article the authors propose a two-step model of short-term inflation forecasting. The essence of the authors’ approach is to build a small (fivefactor) econometric model of inflation, which has good statistical characteristics and provides an adequate theoretical explanation of the modeling process, but it does not allow for predicting the monthly rate of inflation with high accuracy. The authors show that this problem is typical of modern macroeconomics and is an individual manifestation of the so-called fundamental problem of data attribution in macro models. The problem has no solution in the framework of traditional macroeconomic models. In this regard, to improve the accuracy of forecasts the application of a neural network makes it possible to refine the calculations and bring their quality to the required level. The advantages of the proposed scheme are discussed in the conclusion.

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 авторы показывают, что указанное противоречие может быть снято путем объединения двух видов прогнозного инструментария. В развитие данного тезиса в статье предложена двухшаговая модель краткосрочного прогнозирования инфляции. Сущность авторского подхода состоит в построении малоразмерной (пятифакторной) эконометрической модели инфляции, которая обладает хорошими статистическими характеристиками и дает адекватное теоретическое 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 проявление так называемой фундаментальной проблемы атрибуции данных в макромоделях. В статье показано, что данная проблема не имеет решения в рамках традиционных макроэкономических 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 сопряжения эконометрической модели и нейронной сети.