Статьи, Журналы
Прогнозирование безработицы в России с помощью методов машинного обучения
Статьи, Журналы
Прогнозирование безработицы в России с помощью методов машинного обучения
Джункеев, У.К. Прогнозирование безработицы в России с помощью методов машинного обучения / У. К. Джункеев // Деньги и кредит. — Москва, 2022 — N 1. Том 81. — С.73-87. — Библиогр. в конце ст.
Поделиться
Вконтакте 
Одноклассники 
Telegram Источник
Аннотация
В статье прогнозируется динамика безработицы в России на основе ряда методов машинного обучения: случайный лес, градиентный бустинг, эластичные и нейронные сети. Научный вклад работы выражается в трех аспектах. Во-первых, наряду с полносвязными нейронными сетями прямого распространения применяются рекуррентные нейронные сети класса моделей "последовательность к последовательности", учитывающие временную структуру выборочной совокупности. Во-вторых, учитываются дополнительные макроэкономические показатели для оценки в дополнение к однофакторным многофакторных моделей рекуррентных нейронных сетей. В-третьих, в процессе оценки моделей учитываются пересмотры статистической информации в режиме реального времени. С целью повышения прогнозной способности моделей используются дополнительные неструктурированные показатели: поисковые запросы и новостные индексы. В сравнении со структурной моделью динамики безработицы средняя абсолютная ошибка прогноза на один месяц вперед сокращается на 65% (до 0,12 процентного пункта) уровня безработицы в моделях рекуррентных нейронных сетей и долгой краткосрочной памяти и на 56% (до 0,14 процентного пункта) - в модифицированных алгоритмах градиентного бустинга. Учет пересмотров статистической информации повышает точность по предложенным методам.
Рекомендовано к ознакомлению
- 1. Гареев, М.Ю. Наукастинг / М. Ю. Гареев, А. В. Полбин // Вопросы экономики. — Москва, 2022 — N 8. — С.133-157.
- 2. Волкова, Е.С. Методы теории нечетких множеств в кредитном скоринге / Е. С. Волкова, В. Б. Гисин, В. И. Соловьев // Финансы и кредит. — 2017 — N35. — С.2088-2106.
- 3. Широв, А.А. Межотраслевая макроэкономическая модель RIM - развитие инструментария в современных экономических условиях / А. А. Широв, А. А. Янтовский // Проблемы прогнозирования. — 2017 — N3. — 3-18.
- 4. Балагаев, А.Ю. Цифровая трансформация экономики России: возможности и риски / А.Ю. Балагаев // Банковское дело. — 2018 — N7. — С.64-67.
- 5. Китова, О.В. Анализ точности и качества краткосрочного прогноза показателей социально-экономического развития России / О. В. Китова, И. Б. Колмаков, А. Р. Шарафутдинова // Вестник Российского экономического университета имени Г.В. Плеханова. — 2013 — N9. — 111-119.
- 6. Павлов, Е. Прогнозирование инфляции в России с помощью нейронных сетей / Е. Павлов // Деньги и кредит. — Москва, 2020 — N 1. Том 79. — С.57-73.
- 7. Кокшарова, А. Скоринг кредитных заявок: как перейти от статистических методов к моделям машинного обучения? / А. Кокшарова // Банковское кредитование. — 2018 — N5. — С.17-24.
- 8. Федорова, Е.А. Прогнозирование курса валюты с помощью нейронных сетей / Е.А. Федорова, М.А. Линкова // Финансовая аналитика: проблемы и решения. — 2013 — N11. — 27-31.
- 9. Байбуза, И. Прогнозирование инфляции с помощью методов машинного обучения / И. Байбуза // Деньги и кредит/ Банк России. — 2018 — N4. — С.42-59.
- 10. Ульянкин, Ф. Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах / Ф. Ульянкин // Деньги и кредит. — Москва, 2020 — N 4. Том 79. — С.75-97.
Отзывы читателей
0