|сгенерировать QR код
Открытый доступ
Только для подписчиков
Оценка инфляционных ожиданийроссийского населения методами машинного обучения
https://doi.org/10.32609/0042-8736-2017-6-71-93
Аннотация
В статье предлагается новый подход к измерению инфляционных ожи- даний российского населения на основе текстового анализа информации в Интернете с помощью методов машинного обучения. Обработка доступных в открытых источниках комментариев читателей крупных экономических СМИ к статьям на тему «инфляция» в 2014-2016 гг. позволила построить два инди- катора: на основе частотного анализа содержания комментариев и анализа их эмоциональной окраски. На всем исследуемом периоде динамика результирую- щих индикаторов адекватна развитию макроэкономической конъюнктуры и с опережением примерно на один месяц описывает динамику соответствующих официальных индикаторов инфляционных ожиданий Банка России.
Ключевые слова
инфляционные ожидания,
индикаторы,
ЦБ РФ,
анализ естественного языка,
текстовый анализ,
машинное обучение
JEL: E31; E37; E52; G01
Об авторах
И. О. Голощапова
X5 Retail Group; МГУ имени М. В. Ломоносова
Россия
руководитель направления «Макроэкономический анализ» X5 Retail Group, аспирант экономического факультета МГУ имени М. В. Ломоносова (Москва)
Россия
руководитель направления «Макроэкономический анализ» X5 Retail Group, аспирант экономического факультета МГУ имени М. В. Ломоносова (Москва)
М. Л. Андреев
МГУ имени М. В. Ломоносова
Россия
магистрант факультета вычислительной математики и кибернетики МГУ имени М. В. Ломоносова (Москва)
Россия
магистрант факультета вычислительной математики и кибернетики МГУ имени М. В. Ломоносова (Москва)
Список литературы
1. Банк России (2016). Годовой отчет Банка России за 2015 год
2. Вьюгин В. В. (2013). Математические основы теории машинного обучения и прогнозирования. М.: МЦНМО
3. Крепцев Д., Поршаков А., Селезнев С., Синяков А. (2016). Равновесная процентная ставка: оценки для России // Банк России. Серия докладов об экономических исследованиях. № 13
4. Рубцова Ю. В. (2015). Построение корпуса текстов для настройки тонового классификатора // Программные продукты и системы. № 1. С. 72-78
5. Столбов М. (2011). Статистика поиска в Google как индикатор финансовой конъюнктуры // Вопросы экономики. № 11. С. 79-93
6. ФОМ (2016). Измерение инфляционных ожиданий и потребительских настроений на основе опросов населения. Развернутый отчет по результатам седьмого- девятого опросов. Июль-сентябрь 2016. М.: ООО «инФОМ»
7. Ang A., Bekaert G., Min Wei (2007). Do macro variables, asset markets, or surveys forecast inflation better? Journal of Monetary Economics, No. 54, pp. 1163-1212.
8. Armantier O., Bruine de Bruin W., Potter S., Topa G., van der Klaauw W., Zafar B. (2013). Measuring inflation expectations. Annual Review of Economics, Vol. 5, No. 1, pp. 273-301.
9. Armantier O., Bruine de Bruin W., Topa G., van der Klaauw W., Zafar B. (2015). Inflation expectations and behavior: Do survey respondents act on their beliefs? International Economic Review, Vol. 56, No. 2, pp. 505-536.
10. Armantier O., Nelson S., Topa G., van der Klaauw W., Zafar B. (2016). The price is right: Updating inflation expectations in a randomized price information experi- ment. The Review of Economics and Statistics, Vol. 98, No. 3, pp. 503-523.
11. Baker S.R., Bloom N., Davis S. J. (2016). Measuring Economic Policy Uncertainty. Quarterly Journal of Economics, Vol. 131, No. 4, pp. 1593-1636.
12. Bauer M. D. (2015). Inflation expectations and the news. International Journal of Central Banking, Vol. 11, No. 2, pp. 1-40.
13. Binder C. (2015). Measuring uncertainty based on rounding: New method and ap- plication to inflation expectations. Unpublished manuscript. Available at SSRN: https://ssrn.com/abstract=2576439
14. Bishop C. M. (2006). Pattern recognition and machine learning. New York: Springer.
15. Bruine de Bruin W., van der Klaauw W., van Rooij M., Teppa F., Klaas de Vos (2016). Measuring expectations of inflation: Effects of survey mode, wording, and oppor- tunities to revise. DNB Working Paper, No. 506.
16. Bryan M., Venkatu G. (2001). The curiously different inflation perspectives of men and women. Federal Reserve Bank of Cleveland, Economic Commentary.
17. Carroll C. D. (2003). Macroeconomic expectations of households and professional forecasters. Quarterly Journal of Economics, Vol. 118, No. 1, pp. 269-298.
18. Choi H., Varian H. (2009). Predicting the present with Google trends. Unpublished manuscript.
19. Coibion O., Gorodnichenko Y. (2015). Information rigidity and the expectations formation process: A simple framework and new facts. American Economic Review, Vol. 105, No. 8, pp. 2644-2678.
20. Cunningham R., Desroches B., Santor E. (2010). Inflation expectations and the conduct of monetary policy: A review of recent evidence and experience. Bank of Canada Review, Spring, pp. 13-25.
21. Curtin R. (1996). Procedure to estimate price expectations. Unpublished manuscript, University of Michigan Survey Research Center.
22. D’Amuri F., Marcucci J. (2015). The predictive power of Google searches in forecasting unemployment. Temi di discussione, No. 891, Bank of Italy, Economic Research and International Relations Area.
23. Dräger L., Lamla M. J., Pfajfar D. (2016). Are survey expectations theory-consistent? The role of central bank communication and news. European Economic Review, Vol. 85, No. C, pp. 84-111.
24. Fleckenstein M., Longstaff F.A., Lustig H. (2010). Why does the treasury issue TIPS? The TIPS-treasury bond puzzle. NBER Working Papers, No. 16358.
25. Galí J. (2008). Monetary Policy, inflation, and the business cycle: An introduction to the New Keynesian framework. Princeton, NJ: Princeton University Press.
26. Hafer R. W., Hein S. E. (1985). On the accuracy of time-series, interest rate, and survey forecasts of inflation. Journal of Business, Vol. 58, No. 4, pp. 377-398.
27. Joachims T. (1998). Text categorization with support vector machines: Learning with many relevant features. Proc. of ECML-98, 10th European Conference on Machine Learning. Heidelberg: Springer, pp. 137-142.
28. Kliesen K.L. (2015). How Accurate Are Measures of Long-Term Inflation Expectations? Economic Synopses [online serial], No. 9.
29. Li L., Cao D., Li S., Ji R. (2015). Sentiment analysis of chinese micro-blog based on multi-modal correlation model. 2015 IEEE International Conference on Image Processing, pp. 4798-4802.
30. Liu B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool Publishers.
31. Millington S., Pasaogullari M. (2015). Survey and market measures of inflation expectations. Economic Trends, September 25, Federal Reserve Bank of Cleveland.
32. Pang B., Lee L., Vaithyanathan S. (2002). Sentiment classification using machine learning techniques. Proceedings of the ACL-02 conference on Empirical methods in natural language processing, Vol. 10, pp. 79-86.
33. Pang B., Lee L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, Vol. 2, No. 1-2, pp. 1-135.
34. Patil G., Galande V., Kekan V., Dange K. (2014). Sentiment Analysis Using Support Vector Machine. International Journal of Innovative Research in Computer and Communication Engineering, Vol. 2, No. 1, pp. 2607-2612.
35. Sahm C., Sockin J. (2016). ‘Limited attention’ and inflation expectations of households. FEDS Notes, No. 2016-10-19. Washington, DC: Board of Governors of the Federal Reserve System.
36. Salton G., McGill M. J. (1983). Introduction to modern information retrieval. New York: McGraw-Hill.
37. Sarlin P. (2014). Mapping financial stability. New York: Springer.
38. Schmidt T., Vosen S. (2010). A monthly consumption indicator for germany based on internet search query data. Ruhr Economic Paper, No. 208.
39. Thomas L. B. Jr. (1999). Survey measures of expected US inflation. Journal of Economic Perspectives, Vol. 13, No. 4, pp. 125-144.
40. Van der Klaauw W., Bruine de Bruin W., Topa G., Potter S. M., Bryan M. F. (2008). Rethinking the measurement of household inflation expectations: Preliminary findings. Federal Reserve Bank of New York Staff Reports, No. 359.
41. Wang N., Varghese B., Donnelly P. D. (2016). A machine learning analysis of Twitter sentiment to the sandy hook shootings. arXiv:1609.00536.
42. Yin Zhang, Rong Jin, Zhi-Hua Zhou (2010). Understanding bag-of-words model: A statistical framework. International Journal of Machine Learning and Cybernetics, Vol. 1, No. 1, pp. 43-52.
Рецензия
Для цитирования:
Голощапова И.О., Андреев М.Л. Оценка инфляционных ожиданийроссийского населения методами машинного обучения. Вопросы экономики. 2017;(6):71-93. https://doi.org/10.32609/0042-8736-2017-6-71-93
For citation:
Goloshchapova I., Andreev M. Measuring inflation expectations ofthe Russian population with the help of machine learning. Voprosy Ekonomiki. 2017;(6):71-93. (In Russ.) https://doi.org/10.32609/0042-8736-2017-6-71-93
Просмотров:
1726
Послать статью по эл. почте 
