Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения
  • Войти
  • RU | EN
Статьи, Журналы

Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения

Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения
Статьи, Журналы

Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения

Чудаева, А.Б. Интервальное прогнозирование российской инфляции с использованием квантильной регрессии и элементов машинного обучения / А. Б. Чудаева // Экономика и математические методы. — Москва, 2026 — N 1. Том 62. — С.116-130. — Библиогр. в конце ст.
Выпуск
Экономика и математические методы, 2026, Т.62 N 1
Источник

Аннотация

Работа посвящена построению различных моделей для прогнозирования функции распределения инфляции в российской экономике. Актуальность решаемой нами задачи обусловлена тем, что отечественные исследования ограничиваются точечным прогнозированием инфляции, уделяя мало внимания построению доверительных интервалов значений показателя. В то же время прогноз всего вероятностного распределения инфляции дает представление о неопределенности и рисках быстрого роста цен в будущем и одновременно предполагает точечное предсказание. В качестве инструментов моделирования условной функции распределения в работе используются квантильная регрессия и квантильная нейронная сеть. Рассматривается большое число показателей, потенциально обладающих предсказательной силой. В связи с необходимостью выбора спецификации тестируется ряд способов отбора предикторов, а именно линейная, стандартная квантильная и байесовская квантильная LASSO-регрессии. По итогам анализа стандартная квантильная LASSO-регрессия, позволяющая подобрать индивидуальный набор предикторов для каждого из квантилей инфляции, превосходит ряд бенчмарков, в том числе квантильную и линейную авторегрессии. Квантильная регрессия с выбранными предикторами дает качественный результат в случае как интервального, так и точечного прогнозирования. В свою очередь, применение нейросетевого подхода позволяет улучшить прогноз инфляции на более дальние горизонты прогноза. Выявлено, что включение в уравнения для некоторых квантилей таких переменных, как курсовая волатильность, ввод жилых домов, государственный долг, цена на природный газ и ряда других, позволяет улучшить прогнозные свойства модели. Не последнюю роль играет учет механизма коррекции ошибок. Построенные модели могут быть использованы для прогнозирования инфляции и оценки инфляционных рисков.

Ключевые слова

  • УДК:
    336.748(470)
  • DOI: DOI — Digital Object Identifier — цифровой идентификатор объекта. Современный стандарт обозначения объектов информационной деятельности в сети Интернет, позволяющий идентифицировать и искать научные данные, размещённые в сети Интернет и привязывать к объекту дополнительные метаданные. Номер DOI всегда остаётся неизменным, который позволяет найти объект, даже если сведения о нем не полные или не точные.
    10.7868/S3034617726010094

Рекомендовано к ознакомлению

Отзывы читателей

0