Наукастинг макроэкономических показателей экономики России в условиях неопределенности: помогает ли учет новостного фона?

Изучается возможность наукастинга (оценки текущего состояния) основных макроэкономических показателей России c использованием данных новостного фона: тематика и тональность (sentiment analysis) текстов новостей крупнейших российских Telegram-каналов с помощью нейронной сети BERT вместе со стандартным для задач наукастинга набором макроэкономических показателей. Рассматриваются MIDAS-модели, динамические факторные модели и векторные авторегрессии смешанной частоты. Точность моделей оценивается кросс-валидацией на периодах до и после II кв. 2022 г., значимость эффекта добавления новостных переменных оценивается при помощи теста Диболда—Мариано. При тестировании на кризисном периоде добавление новостных переменных приводит к повышению точности для 45% рассмотренных моделей, а среднее улучшение (снижение средней абсолютной ошибки) составило 1,39 п. (снижение МАЕ для наукастов темпов роста ВВП России составляет 0,64 п. п.). При этом на более спокойном (досанкционном) периоде преимущество новостей менее заметно: рост точности зафиксирован в 30% случаев со средним снижением ошибки 1,54 п. (снижение МАЕ для темпов роста ВВП России составляет 0,26 п. п.), а изменение точности наукастов при добавлении переменных, отражающих новостной фон, оказывается статистически незначимым. Использование новостного сентимента не является «серебряной пулей» в задаче наукастинга российского ВВП, однако в кризисные периоды он может служить оперативным индикатором состояния экономики и использоваться в сочетании с более традиционными объясняющими переменными.

1. Ачкасов Ю. (2016). Модель оценивания ВВП России на основе текущей статистики: модификация подхода // Банк России. Серия докладов об экономических исследованиях. № 8.

2. Гареев М. Ю., Полбин А. В. (2022). Наукастинг: оценка изменения ключевых макроэкономических показателей с использованием методов машинного обучения // Вопросы экономики. № 8. С. 133—157. https://doi.org/10.32609/0042-8736-2022-8-133-157

3. Жемков М. (2021). Краткосрочная оценка ВВП России методом комбинирования прогнозов // Банк России. Серия докладов об экономических исследованиях. № 68.

4. Зубарев А., Рыбак К. (2021). Наукастинг ВВП: динамическая факторная модель и официальные прогнозы // Экономическое развитие России. Т. 28, № 12. С. 34—40.

5. Куровский Г. С. (2019). Использование текстовой информации для прогнозирования в макроэкономике // Вестник Московского университета. Серия 6. Экономика. № 6. С. 39—58. https://doi.org/10.38050/01300105201965

6. Лазарян С. С., Герман Н. Е. (2018). Прогнозирование текущей динамики ВВП на основе данных поисковых запросов // Финансовый журнал. № 6. С. 83—94. https://doi.org/10.31107/2075-1990-2018-6-83-94

7. Майорова К., Фокин Н. (2021). Наукастинг темпов роста стоимостных объемов экспорта и импорта России по товарным группам // Деньги и кредит. Т. 80, № 3. С. 34—48. https://doi.org/10.31477/rjmf.202103.34

8. Малюгин В., Якубович А. (2020). Анализ и прогнозирование стоимости потребительской корзины в режиме реального времени // Экономика, моделирование, прогнозирование. № 14. С. 235—241.

9. Микош Х., Соланко Л. (2019). Прогнозирование роста российского ВВП с использованием данных со смешанной периодичностью // Деньги и кредит. Т. 78, № 1. С. 19—35. https://doi.org/10.31477/rjmf.201901.19

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

11. Станкевич И. П. (2020). Сравнение методов наукастинга макроэкономических индикаторов на примере российского ВВП // Прикладная эконометрика. Т. 59. С. 113—127. https://doi.org/10.22394/1993-7601-2020-59-113-127

12. Ульянкин Ф. (2020). Прогнозирование российских макроэкономических показателей на основе информации в новостях и поисковых запросах // Деньги и кредит. Т. 79, № 4. С. 75—97. https://doi.org/10.31477/rjmf.202004.75

13. Юревич М. А. (2021). Инфляционные ожидания и инфляция: наукастинг и прогнозирование // Вопросы регулирования экономики. Т. 12, № 2. С. 22—35. https://doi.org/10.17835/2078-5429.2021.12.2.022-035

14. Яковлева К. (2018). Оценка экономической активности на основе текстового анализа //Деньги и кредит. Т. 77, № 4. С. 26—41. https://doi.org/10.31477/rjmf.201804.26

15. Aastveit K., Gerdrup K., Jore A. S., Thorsrud L. (2014). Nowcasting GDP in real time: A density combination approach. Journal of Business & Economic Statistics, Vol. 32, No. 1, рр. 48—68. https://doi.org/10.1080/07350015.2013.844155

16. Aastveit K., Trovik T. (2012). Nowcasting norwegian GDP: The role of asset prices in a small open economy. Empirical Economics, Vol. 42, No. 1, pp. 95—119. https://doi.org/10.1007/s00181-010-0429-9

17. Aguilar P., Ghirelli C., Pacce M., Urtasun A. (2021). Can news help measure economic sentiment? An application in COVID-19 times. Economics Letters, Vol. 199, article 109730. https://doi.org/10.1016/j.econlet.2021.109730

18. Algaba А., Borms S., Boudt K., Verbeken B. (2023). Daily news sentiment and monthly surveys: A mixed-frequency dynamic factor model for nowcasting consumer confidence. International Journal of Forecasting, Vol. 39, No. 1, рр. 266—278. https://doi.org/10.1016/j.ijforecast.2021.11.005

19. Ankargren S., Unosson M., Yang Y. (2020). A flexible mixed-frequency vector autoregression with a steady-state prior. Journal of Time Series Econometrics, Vol. 12, No. 2, article 20180034. https://doi.org/10.1515/jtse-2018-0034

20. Ashwin J., Kalamara E., Saiz L. (2021). Nowcasting euro area GDP with news sentiment: A tale of two crises. ECB Working Paper, No. 2616. https://doi.org/10.2139/ssrn.3971974

21. Baffigi A., Golinelli R., Parigi G. (20 04). 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

22. Bell V., Co Lai Wah, Stone S., Wallis G. (2014). Nowcasting UK GDP growth. Bank of England Quarterly Bulletin, No. Q1, pp. 58—68.

23. Bragoli D., Fosten J. (2017). Nowcasting Indian GDP. Oxford Bulletin of Economics and Statistics, Vol. 80, No. 2, рр. 259—282. https://doi.org/10.1111/obes.12219

24. Caruso A. (2019). Macroeconomic news and market reaction: Surprise indexes meet nowcasting. International Journal of Forecasting, Vol. 35, No. 4, pp. 1725—1734. https://doi.org/10.1016/j.ijforecast.2018.12.005

25. Clements M. P., Galvão A. B. (20 09). Forecasting US output growth using leading indicators: An appraisal using MIDAS models. Journal of Applied Econometrics, Vol. 24, No. 7, рр. 1187—1206. https://doi.org/10.1002/jae.1075

26. Diron M. (2006). Short-term forecasts of euro area real GDP growth: An assessment of real-time performance based on vintage data. ECB Working Paper, No. 622. https://doi.org/10.2139/ssrn.899266

27. 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

28. Ferrara L., Marsilli C. (2019). Nowcasting global economic growth: A factor-augmented mixed-frequency approach. World Economy, Vol. 42, No. 3, рр. 846—875. https://doi.org/10.1111/twec.12708

29. Galbraith J., Tkacz G. (2015). Nowcasting GDP with electronic payments data. ECB Statistics Paper Series, No. 10.

30. Ghysels E., Kvedaras V., Zemlys V. (2016). Mixed frequency data sampling regression models: Тhe R package midasr. Journal of Statistical Software, Vol. 72, No. 4, рр. 1—35. https://doi.org/10.18637/jss.v072.i04

31. 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

32. Hamilton J. (1994). Time series analysis. Princeton University Press.

33. Lever J., Arcucci R. (2022). Sentimental wildfire: А social-physics machine learning model for wildfire nowcasting. Journal of Computational Social Science, Vol. 5, рр. 1427—1465. https://doi.org/10.1007/s42001-022-00174-8

34. Litterman R. B. (1979). Techniques of forecasting using vector autoregressions (Working Paper No. 115). Federal Reserve Bank of Minneapolis. Research Department. https://doi.org/10.21034/wp.115

35. Litterman R. B. (1986). Forecasting with Bayesian vector autoregressions — five years of experience. Journal of Business & Economic Statistics, Vol. 4, No. 1, pp. 25—38. https://doi.org/10.1080/07350015.1986.10509491

36. Mariano R. S., Murasawa Y. (2013). A new coincident index of business cycles based on monthly and quarterly series. Journal of Applied Econometrics, Vol. 18, No. 4, pp. 427—443. https://doi.org/10.1002/jae.695

37. Matheson T. D. (2010). An analysis of the informational content of New Zealand data releases: Тhe importance of business opinion surveys. Economic Modelling, Vol. 27, No. 1, рр. 304—314. https://doi.org/10.1016/j.econmod.2009.09.010

38. McCracken M. W., Owyang M., Sekhposyan T. (2015). Real-time forecasting with a large, mixed frequency, Bayesian VAR. FRB St. Louis Working Paper, No. 2015-30. https://doi.org/10.2139/ssrn.2673962

39. Okazaki H., Takahashi H. (2022). Nowcasting of corporate research and development trends through news article analysis by BERTopic: Тhe case of Japanese electric company. In: 2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), pp. 1—6. https://doi.org/10.1109/ICECCME55909.2022.9987867

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