Наукастинг: оценка изменения ключевых макроэкономических показателей с использованием методов машинного обучения

Разработана методика наукастинга и краткосрочного прогнозирования квартальных изменений ключевых макроэкономических показателей — ВВП, потребления, инвестиций, показателей внешней торговли — с помощью методов машинного обучения: бустинга, эластичной сети и случайного леса. В рамках эксперимента в качестве предикторов использовались показатели фондов ого и денежного рынков, опросов, мировые цены на ресурсы, индексы цен и другие статистические показатели разной периодичности. Такой подход позволил детально рассмотреть изменение прогнозов по мере поступления новой информации в течение квартала. Для большинства показателей получено монотонное неухудшение качества прогнозов с ростом доступной информации. Методы машинного обучения продемонстрировали значительное превосходство в качестве предсказания по сравнению с наивным прогнозом. Рассмотренные методы в рамках псевдоэксперимента уже после десятой недели квартала идентифицировали сильное падение ВВП, потребления и других показателей в условиях развития пандемии COVID-19 во II и III кв. 2020 г.

1. Гареев М. Ю. (2020). Использование методов машинного обучения для прогнозирования инвестиций в России // Деньги и кредит. Т. 79, № 1. С. 35—56. https://doi.org/10.31477/rjmf.202001.35

2. Демешев Б. Б., Малаховская О. А. (2016). Макроэкономическое прогнозирование с помощью BVAR Литтермана // Экономический журнал Высшей школы экономики, Т. 20, № 4. С. 691—710.

3. Пестова А. А., Мамонов М. Е. (2016). Оценка влияния различных шоков на динамику макроэкономических показателей в России и разработка условных прогнозов на основе BVAR-модели российской экономики // Экономическая политика. Т. 11, № 4. С. 56—92. https://doi.org/10.18288/1994-51242016-4-03

4. Поршаков А. С., Пономаренко А. А., Синяков А. А. (2016). Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. Т. 30, № 2. С. 60—76. https://doi.org/10.31737/2221-2264-2016-30-2-3

5. Фокин Н. Д., Полбин А. В. (2019). VAR-LASSO модель для прогнозирования ключевых макроэкономических показателей России // Деньги и кредит. Т. 78, № 2. С. 67—93. https://doi.org/10.31477/rjmf.201902.67

6. Altman N. S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, Vol. 46, No. 3, pp. 175—185. https:// doi.org/10.1080/00031305.1992.10475879

7. Andreou E., Ghysels E., Kourtellos A. (2013). Should macroeconomic forecasters use daily financial data and how? Journal of Business & Economic Statistics, Vol. 31, No. 2, pp. 240—251. https://doi.org/10.1080/07350015.2013.767199

8. Babii A., Ghysels E., Striaukas J. (2021). Machine learning time series regressions with an application to nowcasting. Journal of Business & Economic Statistics, Vol. 40, No. 3, pp. 1094—1106. https://doi.org/10.1080/07350015.2021.1899933

9. Baffigi A., Golinelli R., Parigi G. (2004). Bridge models to forecast the euro area GDP. International Journal of Forecasting, Vol. 20, No. 3, pp. 447—460. https://doi.org/10.1016/S0169-2070(03)00067-0

10. Bańbura M., Giannone D., Modugno M., Reichlin L. (2013). Now-casting and the realtime data flow. In: G. Elliott (ed.). Handbook of economic forecasting, Vol. 2. Elsevier, pp. 195—237. https://doi.org/10.1016/B978-0-444-53683-9.00004-9

11. Boser B. E., Guyon I. M., Vapnik V. N. (1992). A training algorithm for optimal margin classifiers. In: COLT’92: Proceedings of the Fifth annual workshop on computational learning theory. New York: Association for Computing Machinery, pp. 144—152. https://doi.org/10.1145/130385.130401

12. Brave S. A., Butters R. A., Justiniano A. (2019). Forecasting economic activity with mixed frequency BVARs. International Journal of Forecasting, Vol. 35, No. 4, pp. 1692—1707. https://doi.org/10.1016/j.ijforecast.2019.02.010

13. Breiman L. (1994). Bagging predictors. Machine Learning, Vol. 24, No. 2, pp. 123—140. https://doi.org/10.1007/BF00058655

14. Breiman L. (2001). Random forests. Machine Learning, Vol. 45, No. 1, pp. 5—32. https://doi.org/10.1023/A:1010933404324

15. Clements M. P., Galvão A. B. (2009). Forecasting US output growth using leading indicators: An appraisal using MIDAS models. Journal of Applied Econometrics, Vol. 24, No. 7, pp. 1187—1206. https://doi.org/10.1002/jae.1075

16. Diebold F. X., Mariano R. S. (1995). Comparing predictive accuracy. Journal of Business and Economic Statistics, Vol. 13, No. 3, pp. 253—263. https://doi.org/10.1198/073500102753410444

17. Diron M. (2008). Short-term forecasts of euro area real GDP growth: An assessment of real-time performance based on vintage data. Journal of Forecasting, Vol. 27, No. 5, pp. 371—390. https://doi.org/10.1002/for.1067

18. Doz C., Giannone D., Reichlin L. (2011). A two-step estimator for large approximate dynamic factor models based on Kalman filtering. Journal of Econometrics, Vol. 164, No. 1, pp. 188—205. https://doi.org/10.1016/j.jeconom.2011.02.012

19. Doz C., Giannone D., Reichlin L. (2012). A quasi-maximum likelihood approach for large, approximate dynamic factor models. Review of Economics and Statistics, Vol. 94, No. 4, pp. 1014—1024. https://doi.org/10.1162/REST_a_00225

20. Foroni C., Marcellino M. (2014). A comparison of mixed frequency approaches for nowcasting Euro area macroeconomic aggregates. International Journal of Forecasting, Vol. 30, No. 3, pp. 554—568. https://doi.org/10.1016/j.ijforecast.2013.01.010

21. Friedman J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, Vol. 29, No. 5, pp. 1189—1232. https://doi.org/10.1214/aos/1013203451

22. Giannone D., Reichlin L., Small D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, Vol. 55, No. 4, pp. 665—676. https://doi.org/10.1016/j.jmoneco.2008.05.010

23. Golinelli R., Parigi G. (2007). The use of monthly indicators to forecast quarterly GDP in the short run: An application to the G7 countries. Journal of Forecasting, Vol. 26, No. 2, pp. 77—94. https://doi.org/10.1002/for.1007

24. Harvey D., Leybourne S., Newbold P. (1997). Testing the equality of prediction mean squared errors. International Journal of Forecasting, Vol. 13, No. 2, pp. 281—291. https://doi.org/10.1016/S0169-2070(96)00719-4

25. Huber F., Koop G., Onorante L., Pfarrhofer M., Schreiner J. (2020). Nowcasting in a pandemic using non-parametric mixed frequency VARs. Journal of Econometrics, [forthcoming]. https://doi.org/10.1016/j.jeconom.2020.11.006

26. Kuzin V., Marcellino M., Schumacher C. (2011). MIDAS vs. mixed-frequency VAR: Nowcasting GDP in the euro area. International Journal of Forecasting, Vol. 27, No. 2, pp. 529—542. https://doi.org/10.1016/j.ijforecast.2010.02.006

27. Mikosch H., Solanko L. (2019). Forecasting quarterly Russian GDP growth with mixed frequency data. Russian Journal of Money and Finance, Vol. 78, No. 1, pp. 19—35. https://doi.org/10.31477/rjmf.201901.19

28. Patton A. J., Timmermann A. (2012). Forecast rationality tests based on multi-horizon bounds. Journal of Business & Economic Statistics, Vol. 30, No. 1, pp. 1—17. https://doi.org/10.1080/07350015.2012.634337

29. Schorfheide F., Song D. (2015). Real-time forecasting with a mixed-frequency VAR. Journal of Business & Economic Statistics, Vol. 33, No. 3, pp. 366—380. https://doi.org/10.1080/07350015.2014.954707

30. Zhemkov M. (2021). Nowcasting Russian GDP using forecast combination approach. International Economics, Vol. 168, pp. 10—24. https://doi.org/10.1016/j.inteco.2021.07.006

31. Zou H., Hastie T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), Vol. 67, No. 2, pp. 301—320. https://doi.org/10.1111/j.1467-9868.2005.00503.x