сгенерировать QR код
Открытый доступ
Только для подписчиков
Методы машинного обучения в макроэкономическом прогнозировании: предварительные итоги
https://doi.org/10.32609/0042-8736-2025-10-131-154
Аннотация
Систематизированы методы машинного обучения (ММО), наиболее релевантные для макроэкономики, суммированы результаты их применения для прогнозирования и наукастинга ключевых макроэкономических показателей. Показано, что, несмотря на методологический прогресс и публикации последних лет, точность на традиционных статистических данных не растет: ММО нередко превосходят наивные и стандартные бенчмарки, однако прирост точности не всегда статистически значим и заметен для практиков с учетом издержек внедрения. Отмечены три прикладные задачи, где ММО уже полезны даже на традиционных данных; при этом основной потенциал ММО раскрывается при работе с «большими» и неструктурированными данными, где они фактически незаменимы.
При поддержке: Исследование выполнено врамках Программы фундаментальных исследований НИУ ВШЭ
Об авторе
С. В. Смирнов
Национальный исследовательский университет «Высшая школа экономики»
Россия
Россия
Смирнов Сергей Владиславович, к. э. н., замдиректора Института «Центр развития»
Москва
Список литературы
1. Андреев М. Ю., Полбин А. В. (2023). Оценка макроэкономических эффектов от ожидаемого сокращения нефтегазовых доходов // Вопросы экономики. № 4. С. 5—28. https://doi.org/10.32609/0042-8736-2023-4-5-28
2. Астраханцева И. А., Герасимов А. С., Астраханцев Р. Г. (2022). Прогнозирование региональной инфляции с помощью алгоритмов машинного обучения // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. № 4. С. 6—13.
3. Байбуза И. (2018). Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. № 4. С. 42—59. https://doi.org/10.31477/rjmf.201804.42
4. Балацкий Е. В., Юревич М. А. (2018a). Прогнозирование инфляции: практика использования синтетических процедур // Мир новой экономики. Т. 12, № 4. С. 20—31. https://doi.org/10.26794/2220-6469-2018-12-4-20-31
5. Балацкий Е. В., Юревич М. А. (2018b). Использование нейронных сетей для прогнозирования инфляции: новые возможности // Вестник УрФУ. Серия экономика и управление. Т. 17, № 5. С. 823—838. https://doi.org/10.15826/vestnik.2018.17.5.037
6. Божечкова А., Джункеев У. (2024). CLARA и CARLSON: комбинации ансамблевых и нейросетевых методов машинного обучения для прогнозирования ВВП // Деньги и кредит. Т. 83, №. 3. С. 45—69. https://doi.org/10.2139/ssrn.5361611
7. Букина Т. В., Кашин Д. В. (2024). Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения? // Экономический журнал Высшей школы экономики. Т. 28, № 1. С. 81—107. https://doi.org/10.17323/1813-8691-2024-28-1-81-107
8. Гареев М. (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
9. 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
10. Горностаев Д., Пономаренко А., Селезнев С., Стерхова А. (2022). База данных пересмотров макроэкономических показателей в России // Деньги и кредит. Т. 81, № 1. С. 88—103. https://doi.org/10.31477/rjmf.202201.88
11. Горшкова Т., Синельникова Е. (2016). Сравнительный анализ прогнозных свойств моделей российской инфляции // Научный вестник ИЭП им. Гайдара. № 6. С. 34—41.
12. Джункеев У. (2022). Прогнозирование безработицы в России с помощью методов машинного обучения // Деньги и кредит. Т. 81, № 1. С. 73—87. https://doi.org/10.31477/rjmf.202201.73
13. Джункеев У. (2024). Прогнозирование инфляции в России на основе градиентного бустинга и нейронных сетей // Деньги и кредит. Т. 83, № 1. С. 53—76.
14. Дохолян В. С., Полбин А. В. (2019). Применение методов машинного обучения для прогнозирования циклической безработицы // Региональные проблемы преоб¬разования экономики. № 4. С. 64—76. https://doi.org/10.26726/1812-7096-2019-4-64-76
15. Дробышевская Л. Н., Данков Н. А. (2025). Краткосрочное прогнозирование инфляции, выпуска товаров и услуг с использованием машинного обучения // Финансы и кредит. Т. 31, № 1. С. 91—112. https://doi.org/10.24891/fc.31.1.91
16. Зарова Е. В., Заров И. К. (2005). Нейронные сети как средство моделирования и прогнозирования инфляционных процессов // Вестник Самарского государственного технического университета. Серия «Физико-математические науки». № 34. С. 182—186. https://doi.org/10.14498/vsgtu354
17. Китова О. В., Дьяконова Л. П., Китов В. А., Савинова В. М. (2020). Применение нейронных сетей для прогнозирования социально-экономических временных рядов // Российский экономический вестник. Т. 3, № 5. С. 188—201.
18. Китова О. В., Колмаков И. Б., Пеньков И. А. (2016). Метод машин опорных векторов для прогнозирования показателей инвестиций // Статистика и Экономика. № 4. С. 27—30. https://doi.org/10.21686/2500-3925-2016-4-27-30
19. Коваленко А. В., Уртенов М. Х. (2010). Нейросетевое моделирование инфляции в России // Научный журнал КубГАУ. № 61. С. 278—297.
20. Латыпов Р., Ахмедова Е., Постолит Е., Микитчук М. (2024). Прогнозирование компонент инфляции методами машинного обучения // Деньги и кредит. Т. 83, № 3. С. 23—44.
21. Майорова Е. А. (2023). Машинное обучение в экономических исследованиях // Экономика и управление: проблемы, решения. Т. 2. С. 224—238. https://doi.org/10.36871/ek.up. p.r.2023.03.02.027
22. 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
23. Мирончук В. А., Золкин А. Л., Артамонова К. А., Подолько П. М. (2024). Аналитические возможности машинного обучения в экономическом прогнозировании // Финансовый менеджмент. № 6. С. 292—300.
24. Могилат А., Крыжановский О., Шувалова Ж., Мурашов Я. (2024). DYFARUS: динамическая факторная модель прогнозирования ВВП по производству с использованием межотраслевого баланса // Деньги и кредит. Т. 83, № 2. С. 3—25.
25. Моргенштерн О. (1968). О точности экономико-статистических наблюдений. М.: Статистика.
26. Павлов Е. (2020). Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. Т. 79, № 1. С. 57—73. https://doi.org/10.31477/rjmf.202001.57
27. Панкратова А. (2024). Прогнозирование основных макроэкономических показателей методами DMA и DMS // Деньги и кредит. Т. 83, № 1. С. 32—52.
28. Полбин А. В., Кропочева М. А. (2022). Моделирование зависимости обменного курса рубля от цен на нефть с использованием нейронных сетей // Прикладная информатика. Т. 17, № 4. С. 127—142. https://doi.org/10.37791/2687-0649-2022-17-4-127-142
29. Семитуркин О., Шевелев А. (2023). Корректное сравнение предиктивных свойств моделей машинного обучения на примере прогнозирования инфляции в Сибири // Деньги и кредит. Т. 82, № 1. С. 87—103.
30. 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
31. Фокин Н. (2019). VAR-LASSO-модель на большом массиве российских экономических данных // Экономическое развитие России. Т. 26, № 1. С. 20—30.
32. Фокин Н. (2023). Наукастинг и прогнозирование основных российских макроэкономических показателей с помощью MFBVAR-модели // Экономическая политика. Т. 18, № 3. С. 110—135. https://doi.org/10.18288/1994-5124-2023-3-110-135
33. Фокин Н., Полбин А. (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
34. Шарафутдинов А. (2023). Прогнозирование российских ВВП, инфляции, ставки процента и обменного курса с помощью модели DSGE-VAR // Деньги и кредит. Т. 82, № 3. С. 62—86.
35. Ahmed S., Alshater M. M., El Ammari A, Hammami H. (2022). Artificial intelligence and machine learning in finance: A bibliometric review. Research in International Business and Finance, Vol. 61. article 101646. https://doi.org/10.1016/j.ribaf.2022.101646
36. Akay E. Ç., Soydan N. T. Y., Gacar B. K. (2022). Bibliometric analysis of the published literature on machine learning in economics and econometrics. Social Network Analysis and Mining, Vol. 12, article 109. https://doi.org/10.1007/s13278-022-00916-6
37. Ali S., Abuhmed T., El-Sappagh S., Muhammad K., Alonso-Moral J. M., Confalonieri R., Guidotti R., del Ser J., Díaz-Rodríguez N., Herrera F. (2023). Explainable artificial intelligence (XAI): What we know and what is left to attain trustworthy artificial intelligence. Information Fusion, Vol. 99, article 101805. https://doi.org/10.1016/j.inffus.2023.101805
38. Anesti N., Kalamara E., Kapetanios G. (2021). Forecasting UK GDP growth with large survey panels. Bank of England Staff Working Paper, No. 923. https://doi.org/10.2139/ssrn.3855557
39. Anesti N., Kalamara E., Kapetanios G. (2024). Forecasting with machine learning methods and multiple large datasets. Econometrics and Statistics. https://doi.org/10.1016/j.ecosta.2024.08.003
40. Araujo D., Bruno G., Marcucci J., Schmidt R., Tissot B. (2022). Machine learning applications in central banking. IFC Bulletin, No. 57. Bank for International Settlements.
41. Athey S. (2019). The impact of machine learning on economics. In: A. Agrawal, J. Gans, A. Goldfarb (eds.). The economics of artificial intelligence: An agenda. Chicago: University of Chicago Press, pp. 507—547. https://doi.org/10.7208/chicago/9780226613475.003.0021
42. Athey S., Imbens G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, Vol. 11, pp. 685—725. https://doi.org/10.1146/annurev-economics-080217-053433
43. Atzmueller M., Fürnkranz J., Kliegr T. Schmid U. (2024). Explainable and interpretable machine learning and data mining. Data Mining and Knowledge Discovery, Vol. 38, No. 5, pp. 2571—2595. https://doi.org/10.1007/s10618-024-01041-y
44. Ballarin G., Dellaportas P., Grigoryeva L., Hirt M., van Huellen S., Ortega J.-P. (2024). Reservoir computing for macroeconomic forecasting with mixed-frequency data. International Journal of Forecasting, Vol. 40, No. 3, pp. 1206—1237. https://doi.org/ 10.1016/j.ijforecast.2023.10.009
45. Bianchi F., Ludvigson S. C., Ma S. (2022). Belief distortions and macroeconomic fluctuations. American Economic Review, Vol. 112, No. 7, pp. 2269—2315. https://doi.org/10.1257/aer.20201713
46. Boesch K., Ziegelmann F. A. (2025). Machine learning methods and time series: A through forecasting study via simulation and USA inflation analysis. Computational Economics, Vol. 66, pp. 1—34. https://doi.org/10.1007/s10614-024-10675-5
47. Bolhuis M. A., Rayner B. (2020). Deus ex machina? A framework for macro forecasting with machine learning. IMF Working Paper, No. WP/20/45. https://doi.org/10.5089/9781513529974.001
48. Brożek B., Furman M., Jakubiec M., Kucharzyk B. (2024). The black box problem revisited. Real and imaginary challenges for automated legal decision making. Artificial Intelligence and Law, Vol. 32, pp. 427—440. https://doi.org/10.1007/s10506-023-09356-9
49. Cepni O., Güney I. E., Swanson N. R. (2019). Nowcasting and forecasting GDP in emerging markets using global financial and macroeconomic diffusion indexes. International Journal of Forecasting, Vol. 35, No. 2, pp. 555—572. https://doi.org/10.1016/j.ijforecast.2018.10.008
50. Chakraborty C., Joseph A. (2017). Machine learning at central banks. Bank of England Staff Working Paper, No. 674. https://doi.org/10.2139/ssrn.3031796
51. Cicceri G., Inserra G., Limosani M. (2020). A machine learning approach to forecast economic recessions. An Italian case study. Mathematics, Vol. 8, No. 2, article 241. https://doi.org/10.3390/math8020241
52. Cook T. R., Hall A. S. (2017). Macroeconomic indicator forecasting with deep neural networks. Federal Reserve Bank of Kansas City Research Working Paper, No. RWP 17-11. https://doi.org/10.18651/RWP2017-11
53. Coulombe P. G. (2024). The macroeconomy as a random forest. Journal of Applied Econometrics, Vol. 39, No. 3, pp. 401—421. https://doi.org/10.1002/jae.3030
54. Coulombe P. G., Leroux M., Stevanovic D., Surprenant S. (2022). How is machine learning useful for macroeconomic forecasting? Journal of Applied Econometrics, Vol. 37, No. 5, pp. 920—964. https://doi.org/10.1002/jae.2910
55. Dauphin J.-F., Dybczak K., Maneely M., Sanjani M. T., Suphaphiphat N., Wang Y., Zhang H. (2022). Nowcasting GDP. A scalable approach using DFM, machine learning and novel data, applied to European economies. IMF Working Paper, No. WP/22/52. https://doi.org/10.5089/9798400204425.001
56. Desai A. (2023). Machine learning for economics research: When, what and how. Bank of Canada Staff Analytical Note, No. 2023-16. https://doi.org/10.2139/ssrn.4404772
57. ECB (2024). The ECB survey of professional forecasters. Forecast processes and methodologies: Results of the 2023 special survey. Survey conducted on the occasion of the 25th anniversary of the ECB SPF. https://doi.org/10.2866/784891
58. Fernández-Delgado M., Cernadas E., Barro S., Amorim D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, Vol. 15, No. 90, pp. 3133—3181.
59. Ghosh S., Ranjan A. (2022). A machine learning approach to GDP nowcasting: An emerging market experience. Bulletin of Monetary Economics and Banking, Vol. 26, pp. 33—54. https://doi.org/10.59091/1410-8046.2055
60. Giannone D., Lenza M., Primiceri G. (2017). Economic predictions with big data: The illusion of sparsity. CEPR Discussion Paper, No. 12256. https://cepr.org/ publications/dp12256
61. Giannone D., Lenza M., Primiceri G.E. (2021). Economic predictions with big data: The illusion of sparsity. Econometrica, Vol. 89, No. 5, pp. 2409—2437. https://doi.org/10.3982/ECTA17842
62. Gonzalez S. (2000). Neural networks for macroeconomic forecasting: A complementary approach to linear regression models (Working Paper No. 2000-07). Government of Canada Department of Finance. Economic Studies and Policy Analysis Division.
63. Gunning D., Vorm E., Wang J. Y., Turek M. (2021). DARPA’s explainable AI (XAI) program: A retrospective. Applied AI Letters, Vol. 2, No. 4, article e61. https://doi.org/10.1002/ail2.61
64. Haghighi M., Joseph A., Kapetanios G., Kurz C., Lenza M., Marcucci J. (2025). Machine learning for economic policy. Journal of Econometrics, Vol. 249, Part C, article 105970. https://doi.org/10.1016/j.jeconom.2025.105970
65. Hall A. S. (2018). Machine learning approaches to macroeconomic forecasting. Federal Reserve Bank of Kansas City Economic Review, Vol. 103, No. 4, pp. 63—81.
66. Hauzenberger N., Huber F., Klieber K., Marcellino M. (2024). Bayesian neural networks for macroeconomic analysis. Journal of Econometrics, Vol. 249, Part C, article 105843. https://doi.org/10.1016/j.jeconom.2024.105843
67. Henninger M., Strobl C. (2025). Interpreting machine learning predictions with LIME and Shapley values: Theoretical insights, challenges, and meaningful interpretations. Behaviormetrika, Vol. 52, No. 1, pp. 45—75. https://doi.org/10.1007/s41237-024-00253-2
68. Hill T., Marquez L., O’Connor M., Remus W. (1994). Artificial neural network models for forecasting and decision making. International Journal of Forecasting, Vol. 10, No. 1, pp. 5—15. https://doi.org/10.1016/0169-2070(94)90045-0
69. Inoue A., Kilian L. (2008). How useful is bagging in forecasting economic time series? A case study of U.S. consumer price inflation. Journal of the American Statistical Association, Vol. 103, No. 482, pp. 511—522. https://doi.org/10.1198/016214507000000473
70. Joseph A., Potjagailo G., Chakraborty C., Kapetanios G. (2024). Forecasting UK inflation bottom up. International Journal of Forecasting, Vol. 40, No. 4, pp. 1521—1538. https://doi.org/10.1016/j.ijforecast.2024.01.001
71. Joseph A., Potjagailo G., Kalamara E., Chakraborty C., Kapetanios G. (2021). Forecasting UK inflation bottom up. Bank of England Staff Working Paper, No. 915. https://doi.org/10.2139/ssrn.3819286
72. Jung J.-K., Patnam M., Ter-Martirosyan A. (2018). An algorithmic crystal ball: Forecastsbased on machine learning. IMF Working Paper, No. WP/18/230. https://doi.org/10.5089/9781484380635.001
73. Kiley M. T. (2020). Financial conditions and economic activity: Insights from machine learning. Finance and Economics Discussion Series, No. 2020-095. Washington, DC: Board of Governors of the Federal Reserve System. https://doi.org/10.17016/FEDS.2020.095
74. Kim H. H., Swanson N. R. (2018). Mining big data using parsimonious factor, machine learning, variable selection and shrinkage methods. International Journal of Forecasting, Vol. 34, No. 2, pp. 339—354. https://doi.org/10.1016/j.ijforecast.2016.02.012
75. Kotchoni R., Leroux M., Stevanovic D. (2019). Macroeconomic forecast accuracy in a data-rich environment. Journal of Applied Econometrics, Vol. 34, No. 7, pp. 1050—1072. https://doi.org/10.1002/jae.2725
76. Longo L., Riccaboni M., Rungi A. (2022). A neural network ensemble approach for GDP forecasting. Journal of Economic Dynamics and Control, Vol. 134, article 104278. https://doi.org/10.1016/j.jedc.2021.104278
77. Mamedli M., Shibitov D. (2021). Forecasting Russian CPI with data vintages and machine learning techniques. Bank of Russia Working Paper Series, No. 70.
78. Marcinkevičs R., Vogt J. E. (2023). Interpretable and explainable machine learning: A methods-centric overview with concrete examples. WIREs Data Mining and Knowledge Discovery, Vol. 13, No. 3, article e1493. https://doi.org/10.1002/widm.1493
79. Masini R. P., Medeiros M. C., Mendes E. F. (2023). Machine learning advances for time series forecasting. Journal of Economic Surveys, Vol. 37, No. 1, pp. 76—111. https://doi.org/10.1111/joes.12429
80. McCracken M. W., Ng S. (2016). FRED-MD: A monthly database for macroeconomic research. Journal of Business & Economic Statistics, Vol. 34, No. 4, pp. 574—589. https://doi.org/10.1080/07350015.2015.1086655
81. McCracken M. W., Ng S. (2021). FRED-QD: A quarterly database for macroeconomic research. Federal Reserve Bank of St. Louis Review, Vol. 103, No. 1, pp. 1—44. https://doi.org/10.20955/r.103.1-44
82. Medeiros M. C., Vasconcelos G. F. R., Veiga A., Zilberman E. (2021). Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, Vol. 39, No. 1, pp. 98—119. https://doi.org/10.1080/07350015.2019.1637745
83. Miller T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, Vol. 267, pp. 1—38. https://doi.org/10.1016/j.artint.2018.07.007
84. Moshiri S., Brown L. (2004). Unemployment variation over the business cycles: a comparison of forecasting models. Journal of Forecasting, Vol. 23, No. 7, pp. 497—511. https://doi.org/10.1002/for.929
85. Mullainathan S., Spiess J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, Vol. 31, No. 2, pp. 87—106. https://doi.org/ 10.1257/jep.31.2.87
86. Naghi A. A., O’Neill E., Zaharieva M. D. (2024). The benefits of forecasting inflation with machine learning: New evidence. Journal of Applied Econometrics, Vol. 39, No. 7, pp. 1321—1331. https://doi.org/10.1002/jae.3088
87. Nakamura E. (2005). Inflation forecasting using a neural network. Economics Letters, Vol. 86, No. 3, pp. 373—378. https://doi.org/10.1016/j.econlet.2004.09.003
88. Nosratabadi S., Mosavi A., Duan P., Ghamisi P., Filip F., Band S. S., Reuter U., Gama J., Gandomi A. H. (2020). Data science in economics: Comprehensive review of advanced machine learning and deep learning methods. Mathematics, Vol. 8, No. 10, article 1799. https://doi.org/10.3390/math8101799
89. Nyman R., Ormerod P. (2017). Predicting economic recessions using machine learning algorithms. arXiv:1701.01428. https://doi.org/10.48550/arXiv.1701.01428
90. Omolo L., Nguyen N. (2024). Using an ensemble of machine learning algorithms to predict economic recession. Journal of Risk and Financial Management, Vol. 17, No 9, article 387. https://doi.org/10.3390/jrfm17090387
91. Paranhos L. (2025). Predicting inflation with recurrent neural networks. International Journal of Forecasting. https://doi.org/10.1016/j.ijforecast.2024.07.010.
92. Paruchuri H. (2021). Conceptualization of machine learning in economic forecasting. Asian Business Review, Vol. 11, No. 2, pp. 51—58. https://doi.org/10.18034/abr.v11i2.532
93. Ribeiro M. T., Singh S., Guestrin C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. In: KDD ‘16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: Association for Computing Machinery, pp. 1135—1144. https://doi.org/10.1145/2939672.2939778
94. Ribeiro M. T., Singh S., Guestrin C. (2018). Anchors: High-precision model-agnostic explanations. Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 32, No. 1. https://doi.org/10.1609/aaai.v32i1.11491
95. Richardson A., van Florenstein-Mulder T., Vehbi T. (2021). Nowcasting GDP using machine-learning algorithms: A real-time assessment. International Journal of Forecasting, Vol. 37, No. 2, pp. 941—948. https://doi.org/10.1016/j.ijforecast. 2020.10.005
96. Storm H., Baylis K., Heckelei T. (2020). Machine learning in agricultural and applied economics. European Review of Agricultural Economics, Vol. 47, No. 3, pp. 849—892. https://doi.org/10.1093/erae/jbz033
97. Štrumbelj E., Kononenko I. (2014). Explaining prediction models and individual predictions with feature contributions. Knowledge and Information Systems, Vol. 41, No. 3, pp. 647—665. https://doi.org/10.1007/s10115-013-0679-x
98. Swanson N. R., White H. (1997). A model selection approach to real-time macroeconomic forecasting using linear models and artificial neural networks. Review of Economics and Statistics, Vol. 79, No. 4, pp. 540—550. https://doi.org/10.1162/003465397557123
99. Tilbury C. R. (2022). Reinforcement learning for economic policy: A new frontier? arXiv:2206.08781. https://arxiv.org/pdf/2206.08781
100. Tkacz G. (2001). Neural network forecasting of Canadian GDP growth. International Journal of Forecasting, Vol. 17, No. 1, pp. 57—69. https://doi.org/10.1016/S0169-2070(00)00063-7
101. Tkacz G., Hu S. (1999). Forecasting GDP growth using artificial neural networks. Bank of Canada Working Paper, No. 99-3.
102. Varian H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, Vol. 28, No. 2, pp. 3—28. https://doi.org/10.1257/jep.28.2.3
103. Vedder C., van de Winkel E. (2024). The added value of machine learning for macroeconomic forecasting in the Netherlands (CPB Discussion Paper, July). CPB Netherlands Bureau of Economic Policy Analysis. https://doi.org/10.34932/2486-RB71
104. Vrontos S. D., Galakis J., Vrontos I. D. (2021). Modeling and predicting U.S. recessions using machine learning techniques. International Journal of Forecasting, Vol. 37, No. 2, pp. 647—671. https://doi.org/10.1016/j.ijforecast.2020.08.005
105. Wu R., Kang D., Chen Y., Chen C. (2023). Assessing academic impacts of machine learning applications on a social science: Bibliometric evidence from economics. Journal of Informetrics, Vol. 17, No. 3, article 101436. https://doi.org/10.1016/j.joi.2023.101436
106. Yang Y., Xu X., Ge J., Xu Y. (2024). Machine learning for economic forecasting: An application to China’s GDP growth. arXiv:2407.03595. https://doi.org/10.48550/arXiv.2407.03595
107. Yoon J. (2021). Forecasting of real GDP growth using machine learning models: Gradient boosting and random forest approach. Computational Economics, Vol. 57, No. 1, pp. 247—265. https://doi.org/10.1007/s10614-020-10054-w
108. Yoon S.-H. (2024). Developing an international macroeconomic forecasting model based on big data. KIEP Research Paper, World Economy Brief(WEB), No. 24-18. https://doi.org/10.2139/ssrn.4887982
109. Zodage P., Harianawala H., Shaikh H., Kharodia A. (2024). Explainable AI (XAI): History, basic ideas and methods. International Journal of Advanced Research in Science, Communication and Technology, Vol. 4, No. 1, pp. 560—568. https://doi.org/10.48175/IJARSCT-16988
Дополнительные файлы
Рецензия
Для цитирования:
Смирнов С.В. Методы машинного обучения в макроэкономическом прогнозировании: предварительные итоги. Вопросы экономики. 2025;(10):131-154. https://doi.org/10.32609/0042-8736-2025-10-131-154
For citation:
Smirnov S.V. Machine learning methods in macroeconomic forecasting: Preliminary results. Voprosy Ekonomiki. 2025;(10):131-154. (In Russ.) https://doi.org/10.32609/0042-8736-2025-10-131-154
Просмотров:
36
Послать статью по эл. почте 
