Наукастинг и краткосрочное прогнозирование развивающейся экономики в условиях неопределённости тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Макеева Наталья Михайловна

• Макеева Наталья Михайловна
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Макеева Наталья Михайловна

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ НАУКАСТИНГА И КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ

1.1. Теоретические основы краткосрочного макроэкономического

прогнозирования и наукастинга

1.1.1. Подходы к выбору переменных для прогнозирования ВВП и его компонентов

1.1.2. Эволюция моделей, используемых для краткосрочного прогнозирования

1.2. Применение моделей наукастинга и краткосрочного прогнозирования

для развитых и развивающихся стран

1.3. Методологический инструментарий исследования

1.3.1. Методология наукастинга

1.3.1.1. MIDAS-модель

1.3.1.2. Модификации MГОAS-моделей

1.3.1.3. MFBVAR-модель

1.3.1.4. DFM-модели

1.3.2. Бенчмарк для сравнения точности моделей наукастинга

1.3.3. Методы оценки качества моделей

ГЛАВА 2. НАУКАСТИНГ ЭЛЕМЕНТОВ ИСПОЛЬЗОВАНИЯ ВВП РОССИИ

2.1 Описание данных и методология оценивания моделей

2.2 Сравнительный анализ точности моделей наукастинга

2.3 Практические выводы для наукастинга ВВП и его компонентов по использованию

ГЛАВА 3. НАУКАСТИНГ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ЭКОНОМИКИ РОССИИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ: ПОМОГАЕТ ЛИ УЧЕТ НОВОСТНОГО ФОНА?

3.1 Методология интеграции индексов неопределенности в модели наукастинга

3.2 Оценка точности прогнозов при добавлении новостного фона

3.3 Роль новостных переменных в прогнозировании экономики России

ГЛАВА 4. ВЛИЯНИЕ ВЕРСИИ РЕВИЗИИ ОФИЦИАЛЬНОЙ СТАТИСТИКИ НА ТОЧНОСТЬ МОДЕЛЕЙ НАУКАСТИНГА МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РОССИИ

4.1 Эмпирическая база исследования : переменные и методы обработки данных

4.2 Оценка устойчивости моделей наукастинга к ревизиям данных

4.3 Последствия для практики наукастинга в условиях развивающейся экономики

ГЛАВА 5. НАУКАСТИНГ И КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ МАКРОЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ РАЗВИВАЮЩИХСЯ СТРАН

5.1 Методология кросс-странового анализа: выборка стран и переменных

5.2 Сравнительный анализ точности прогнозов для стран с различными характеристиками

5.3 Особенность применения современных методов наукастинга в

развивающихся странах

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

А. Зависимые и объясняющие переменные

Введение

Введение диссертации (часть автореферата) на тему «Наукастинг и краткосрочное прогнозирование развивающейся экономики в условиях неопределённости»

Актуальность исследования

В современных экономических реалиях эффективность и скорость принятия управленческих решений - как со стороны государственных органов, так и коммерческих компаний - напрямую зависят от качества и своевременности статистической информации по ключевым макроэкономическим показателям. Однако официальная статистика в развивающихся экономиках публикуется с существенным временным лагом и, как правило, впоследствии подвергается нескольким волнам пересмотров финальных значений. Например, первые оценки по ВВП России публикуются с лагом в три месяца после окончания интересующего квартала, а впоследствии публикуемые значения корректируются до 10 раз (Астафьева, Турунцева, 2021). Эти задержки и неоднократные корректировки существенно ограничивают возможности для регулярного и точного мониторинга текущей экономической ситуации.

Особенно остро проблема своевременного получения достоверных данных проявляется в кризисные периоды и периоды высокой нестабильности, когда происходящие изменения в экономике требуют от органов власти и бизнеса оперативного реагирования. Даже если статистика публикуется вовремя, она может не отражать динамику экономических процессов в режиме реального времени из-за особенностей сбора и обработки данных. В результате решения, принимаемые на основе устаревшей или пересматриваемой информации, могут оказаться неэффективными или даже ошибочными.

В ответ на эти вызовы в экономической науке развивается направление наукастинга - инструментария, предназначенного для оперативной оценки текущего уровня макроэкономических показателей на основе уже доступных и более высокочастотных данных. Наукастинг позволяет формировать более точные и своевременные оценки текущего состояния экономики, что становится особенно актуальным для условий высокой степени неопределённости и волатильности, свойственной развивающимся рынкам.

Преобладающее большинство исследований по наукастингу проводятся для развитых экономик с относительно стабильной экономической, институциональной и статистической средой (Schumacher, 2016; Ferrara, Marsilli, 2019; Camero et al., 2015). Существующие подходы к прогнозированию и подбору объясняющих переменных,

4

адаптированные под условия развитых стран, требуют существенной доработки для применения в развивающихся экономиках, где наблюдается не только большая информационная неоднородность и ограниченная доступность высокочастотных данных (Cepni et al., 2019; Dahlhaus et al., 2017; Barlas et al., 2024), что заставляет искать альтернативные переменные, такие как мировые товарные индексы, для компенсации недостатка внутренней статистики, но и повышенная частота и масштаб статистических пересмотров, что создает дополнительные вызовы для построения точных прогнозов (González-Astudillo, Baquero, 2019; Астафьева, Турунцева, 2021). Важность решения этих задач подтверждается активной методологической работой ведущих центральных банков и международных институтов, разрабатывающих стандартизированные подходы к наукастингу (Higgins, 2014; Chernis, 2017; Dauphin et al., 2022; Mahler et al., 2022; Linzenich, Meunier, 2024; Ceci et al., 2024; Hartigan, 2024; Bayarmagnai, 2025).

Традиционные макроэкономические индикаторы, обычно используемые для наукастинга и краткосрочного прогнозирования, не всегда способны обеспечить актуальную информацию о состоянии экономики, особенно в периоды быстрых изменений. В этой связи особую значимость приобретают альтернативные высокочастотные источники данных, способные частично компенсировать инерционность официальной статистики. В частности, анализ новостного фона с применением методов обработки текстов на естественном языке может служить дополнительным источником сигналов о текущей динамике экономики до публикации официальных данных, повышая реактивность и точность моделей наукастинга.

Важным аспектом проблемы также является влияние винтажей и ревизий официальной статистики на точность моделей наукастинга. Развивающиеся страны характеризуются более существенными и частыми пересмотрами статистических данных (Glejser, Schavey, 1974; Howrey, 1978; Carson, Lal, 2004; Jacobs, van Norden, 2011; Ley, Misch, 2014; Chang, Li, 2018; Астафьева, Турунцева, 2021), что создает дополнительную неопределенность и усложняет процесс оценки текущего состояния экономики. Международный опыт свидетельствует, что учет ревизий статистики может значительно улучшить точность прогнозов (Clements, Galväo, 2012; Carriero et al., 2015), при этом особенности пересмотров данных в развивающихся экономиках требуют специального методологического подхода (Croushore, 2008; Rossi, Sekhposyan, 2015). В этой связи разработка подходов, учитывающих возможность будущих пересмотров

данных, представляется необходимым условием повышения надежности моделей наукастинга.

Таким образом, актуальность данного исследования определяется потребностью в комплексной методологии наукастинга и краткосрочного прогнозирования, ориентированного на специфику для развивающейся экономики. Данная методология должна учитывать задержки, винтажи и ревизии официальной статистики, структурные особенности институциональной среды и возможность использования альтернативных источников информации. Разработка такого инструментария не только обогатит теоретический аппарат экономического прогнозирования, но и предоставит практические решения для повышения эффективности экономической политики, направленной на достижение устойчивого экономического роста в сложных и динамичных условиях современной мировой экономики.

Для России, переживающей период глубокой трансформации экономики под воздействием внешних шоков, начиная с пандемии 2020 года и последующих геополитических событий, актуальность данного исследования приобретает особую практическую остроту. Оперативное понимание текущей экономической динамики в условиях высокой неопределенности, частых пересмотров статистики и ограниченности традиционных данных является ключевым фактором для принятия решений на всех уровнях управления. Разработка надежных методов наукастинга, способных работать в этой сложной среде и давать своевременные оценки ключевых макроиндикаторов, становится критически важной для минимизации рисков и выработки эффективной экономической политики в новых реалиях.

Степень разработки проблемы в литературе

Современная научная литература по наукастингу демонстрирует методологический прогресс, однако сохраняются существенные пробелы, требующие дальнейшего внимания. Основные из них связаны с отсутствием комплексных сравнений точности различных моделей (MIDAS, MFBVAR, DFM) в едином контексте, а также преобладанием исследований, которые сосредоточены либо на одном макроэкономическом показателе (чаще всего ВВП), либо на одной стране. Это ограничивает выявление общих закономерностей и универсальных рекомендаций для применения моделей в различных условиях.

В литературе по наукастингу макроэкономических показателей традиционно выделяются три основных класса моделей: MIDAS, MFBVAR и динамические факторные модели (DFM). MIDAS-модели выгодно выделяются меньшими требованиями к объему данных и успешным использованием высокочастотных и опережающих индикаторов (Schumacher, 2016; Микош, Соланко, 2019; Zhemkov, 2021). MFBVAR-модели показывают преимущества в точности, особенно при использовании методов регуляризации и подбора переменных, однако такие результаты чаще ограничены одной страной и узким набором переменных (Carriero et al., 2015; Ankargren, Yang, 2019; Фокин, 2023). Динамические факторные модели эффективно работают в стабильных экономических условиях, но уступают в периоды кризисов (Поршаков et al., 2016; Ferrara, Marsilli, 2019; Kocenda, Poghosyan, 2020; Зубарев, Рыбак, 2021).

Методы машинного обучения в последние годы активно внедряются в задачи наукастинга, показывая преимущество по точности над традиционными моделями. Например, алгоритмы бустинга, эластичной сети и случайного леса в работе (Гареев, Полбин, 2022) показали значительное улучшение качества прогнозов ВВП и других ключевых показателей, особенно в условиях кризиса COVID-19. Более того, методы машинного обучения используются для краткосрочного прогнозирования стоимости потребительской корзины на основе интернет-данных (Малюгин, Якубович, 2020).

Что касается альтернативных данных, исследования, посвящённые развитым экономикам, убедительно показывают их высокую эффективность в улучшении качества наукастинга особенно в кризисные периоды. Авторы используют различные данные для повышения точности краткосрочных прогнозов: статистика поисковых запросов (Ferrara, Simoni, 2022), банковскиие транзакции (Galbraith, Tkacz, 2015; Nakazawa, 2022; Barlas et al., 2024), а также переменные, отражающие новостной фон (Aguilar et al., 2021; Ashwin et al., 2021).

В фокусе исследований, посвящённых развивающимся экономикам, преобладает несколько отдельных страновых кейсов - Бразилия, Мексика, Индия, Южная Африка, Турция, Китай и Россия (Cepni et al., 2019; Dahlhaus et al., 2017; González-Astudillo, Baquero, 2019; Iyer, Gupta, 2019). Эти работы подчеркивают важность адаптации моделей под особенности экономики и высокой волатильности, однако охватывают в основном среднесрочные и долгосрочные прогнозы. Комплексные системные подходы к краткосрочному наукастингу в таких условиях встречаются редко, что ограничивает

оперативность и точность оценок. Необходимость развития методологий, способных учесть быстроменяющуюся экономическую среду и невысокое качество данных, чётко обозначена в современных исследованиях (Barlas et al., 2024).

В российской научной литературе выявлен недостаток в системном сравнении различных классов моделей наукастинга и краткосрочного прогнозирования макроэкономических показателей. Существующие исследования зачастую сосредоточены либо на классических эконометрических моделях (Лазарян, Герман, 2018; Бойко и др., 2020; Третьяков, Фокин, 2021), либо на отдельных подходах в рамках наукастинга (Станкевич, 2020; Фокин, Харитонова, 2020; Zhemkov, 2021; Станкевич, 2023; Панкратова, 2024), либо на применении методов машинного обучения (Майорова, Фокин, 2021; Гареев, Полбин, 2022). Однако полноценное исследование, объединяющее и сравнивающее эффективность этих разных классов моделей на одних и тех же данных, отсутствует, что ограничивает возможности выбора наиболее точных методов наукастинга российской экономики.

Тестирование роли альтернативных источников данных в российской практике также имеет ограниченный и разрозненный характер. Анализ текстовой информации и новостей с применением методов машинного обучения исследовался в работах (Яковлева, 2018; Куровский, 2019; Ульянкин, 2020), а анализ поисковых запросов представлен, например, в исследовании (Лазарян, Герман, 2018). Несмотря на потенциал альтернативных данных для улучшения точности и оперативности прогнозов, системных и комплексных исследований, которые бы оценивали их влияние и интеграцию в модели наукастинга применительно к российской экономике, пока недостаточно.

Значимый пробел также существует в изучении влияния ревизий официальной статистики на качество прогнозов. В международной эконометрической литературе вопросы учета пересмотров данных подробно исследованы и показано, что интеграция информации о ревизиях улучшает точность моделей краткосрочного прогнозирования (Howrey, 1978; Clements, Galvao, 2012; Carriero et al., 2015). В российском контексте же системных работ, которые анализировали бы влияние ревизий на наукастинг, крайне мало. Например, исследование Астафьевой и Турунцевой (2021) стало одним из первых шагов в анализе винтажей данных ВВП России, но практическая интеграция этой информации в прогнозные модели пока отсутствует.

Особое место в исследованиях по наукастингу российской экономики занимают методические разработки Банка России, демонстрирующие последовательную эволюцию подхода к прогнозированию ВВП. Так, в работе (Жемков, 2021) был предложен масштабный метод комбинирования порядка 500 моделей с использованием высокочастотных показателей, показавший наилучшую точность на длительном историческом периоде. Дальнейшее развитие связано с созданием набора винтажных данных (Горностаев et а1., 2024) для учета ревизий статистики и с адаптацией структурной DSGE-модели для задач наукастинга (Елисеев, 2025). Несмотря на комплексный масштаб и высокую точность, эти исследования, как и многие другие, сфокусированы исключительно на российской экономике и не проводят системного кросс-странового сравнения. Кроме того, в них не в полной мере исследуется потенциал альтернативных данных (например, новостного фона) и не ставится задача общей оценки применимости различных классов моделей для развивающихся экономик в целом, что и составляет центральный пробел, на который направлена настоящая работа.

Объект и предмет исследования

Объектом исследования являются методы наукастинга и краткосрочного прогнозирования.

Предметом исследования является применимость методов наукастинга и краткосрочного прогнозирования развивающейся экономики в условиях неопределенности, обусловленных комплексом внешних шоков (пандемийными, геополитическими и экономическими).

Цель и задачи исследования

Целью диссертационного исследования является исследование точности моделей наукастинга и краткосрочного прогнозирования макроэкономических показателей развивающейся экономики в условиях неопределенности с учетом особенностей зависимых переменных, неполных данных за квартал, пересмотра официальной статистики, и интеграции альтернативных данных в используемые модели.

Для достижения цели были поставлены следующие задачи:

1. Анализ существующих методов наукастинга применительно к развивающимся экономикам, включая оценку их точности в условиях высокой волатильности и структурных сдвигов.

2. Разработка метода наукастинга макроэкономических показателей на основе данных за неполный квартал на примере ВВП России и его компонентов по использованию.

3. Разработка способа формирования новостных переменных для включения в модели наукастинга в качестве альтернативных данных, а также оценка влияния новостного фона на точность прогнозов в разные периоды стабильности и кризисов на примере ВВП России и его компонентов по использованию.

4. Исследование влияния ревизий официальной статистики на точность моделей наукастинга, разработка стратегии оптимального подбора данных и моделей для наиболее точного наукастинга первой и финальной версии официальной статистики для ВВП России и его компонентов по использованию.

5. Сравнительный анализ точности моделей наукастинга для наукастинга и краткосрочного прогнозирования темпов прироста ВВП развивающихся стран в зависимости от региона, структуры экономики, волатильности целевой переменной и роста горизонта прогноза.

Структура исследования

Диссертационное исследование состоит из введения, пяти глав и заключения. Логика исследования выстроена по принципу перехода от теоретико-методологического фундамента к эмпирическому анализу, последовательно углубляющемуся в специфические проблемы наукастинга с упором на российскую экономику и последующим расширением анализа на более широкий круг развивающихся стран. Введение обосновывает актуальность исследования, определяет его объект и предмет. В нем сформулированы цель и комплекс задач, направленных на ее реализацию. Раздел включает положения, составляющих новизну, и основные достигнутые результаты. Также представлена информация об апробации промежуточных итогов исследования через публикации статей и участие в научных конференциях.

Первая глава формирует теоретико-методологический базис исследования. В ней систематизированы теоретические подходы к выбору переменных и представлена

эволюция моделей краткосрочного прогнозирования, проведен обзор международного опыта применения моделей наукастинга, а также детально описан и обоснован методологический инструментарий, используемый в работе (MIDAS-, MFBVAR-, DFM-модели), включая критерии оценки их точности.

Основой второй главы стала статья (Макеева, Станкевич, 2022), где рассматривается вопрос наукастинга текущих темпов прироста ВВП России и его компонентов по использованию на квартальных данных. В главе осуществляется сравнительный анализ точности современных моделей наукастинга для компонентов использования ВВП России, а также предложен способ оперативной оценки текущего состояния экономики и метод наукастинга на основе данных только за первый или за первые два месяца рассматриваемого квартала. В результате для каждой зависимой переменной выбирается лучшая для построения наукаста модель по последним 12 точкам на основе критерия средней абсолютной ошибки (MAE) и среднеквадратичной ошибки прогноза (RMSE).

В третьей главе изучается возможность наукастинга 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, а основой для главы стала статья (Макеева и др., 2024). В главе сформулированы выводы относительно влияния новостных переменных на точность наукастинга ВВП России и его компонентов по использованию на разных периодах: пандемийном и постпандемийном, а также на периоде экстремальной макроэкономической волатильности.

Четвертая глава посвящена влиянию версии винтажей и ревизий официальной статистики на точность моделей наукастинга макроэкономических показателей России и основана на статье (Макеева, 2025). В главе поднимается проблема пересмотра статистики и подсвечивается недостаток исследования данного вопроса на российских данных. В результате исследования сформулированы выводы о стратегии оптимального подбора данных и моделей для наиболее точного наукастинга первой оценки и винтажа официальной статистики для ВВП и его компонент по использованию. Также показано, что модель наукастинга для ВВП России, использующая первую оценку, оказывается более точной при любой полноте данных внутри квартала, несмотря на многократный

последующий пересмотр первых данных Росстатом. Более того, для моделей ВВП точнее всего оказываются прогнозы первой, самой шумной и неточной, оценки.

В пятой главе проводится сравнительный анализ подходов к наукастингу и краткосрочному прогнозированию макроэкономических показателей развивающихся стран, что позволяет оценить возможность применения методологии, разработанной на российских данных, и выявить особенности её применения в других контекстах (например, в зависимости от региональной специфики, структуры экономики и горизонта прогноза).

В заключении подводятся итоги, полученные на каждом этапе работы, и формулируются практические рекомендации, а также направления для будущих исследований.

Научная новизна исследования

Основой исследования является Россия, где впервые комплексно сравниваются различные модели наукастинга не только по ВВП, но и по его компонентам по использованию, с анализом влияния новостных переменных и версий официальной статистики, а также межстранового сравнения.

1. Разработана и эмпирически обоснована гибридная методология построения систем наукастинга для компонентов ВВП. В отличие от существующих исследований, фокусирующихся на агрегированном ВВП, предложен подход выбора моделей (MFBVAR, MIDAS, DFM, AR) для различных компонентов использования ВВП (потребление домохозяйств, инвестиции, экспорт и др.), основанный на их структурных особенностях и реакции на высокочастотные индикаторы. Это позволяет отказаться от универсальной модели в пользу системы специализированных оценок, повышающей общую точность.

2. Предложен и апробирован алгоритм интеграции новостного сентимента в модели наукастинга. Разработана методика сбора, обработки и включения новостных переменных в эконометрические модели, учитывающая нелинейность их влияния в кризисные и стабильные периоды. Это позволяет количественно оценить пределы полезности альтернативных данных в условиях высокой волатильности.

3. Впервые для российской экономики системно исследовано влияние ревизий

официальной статистики на точность наукастинга и предложена стратегия работы

12

с данными. Установлено, что для целей оперативной оценки целесообразно ориентироваться на первые, а не финальные оценки ВВП Росстата. Доказано, что модели, обученные на первых оценках в сочетании с оперативными месячными индикаторами, дают более точный прогноз для первоначальных данных (сокращение ошибки на 15-20% в MAE относительно моделей, обученных на финальных данных), что меняет сложившуюся практику стремления к использованию только «очищенных» данных.

4. Создана и верифицирована типология выбора моделей и переменных для наукастинга в развивающихся странах в зависимости от структуры их экономики. Впервые разработан и количественно обоснован выбор оптимального типа модели (регуляризованные регрессии, модели с факторными переменными, простые авторегрессии) и набора предикторов в зависимости от структуры экономики (сырьевая, аграрная, промышленная, сервисная) и горизонта прогноза. Установлено, что значимость волатильности ВВП как фактора ошибки нелинейно снижается с ростом горизонта прогноза, а ключевые переменные определяются доминирующим сектором.

5. Проведен сравнительный анализ точности моделей наукастинга для условий развивающихся рынков. Предложен комплексный протокол тестирования, включающий оценку на различных временных горизонтах, анализ устойчивости к ревизиям данных рядов, что позволяет получать сопоставимые и надежные результаты в условиях нестабильности, характерной для данных по развивающимся экономикам.

Положения, выносимые на защиту

1. Установлена зависимость точности наукастинга компонентов ВВП России от специфики прогнозируемого показателя и выбора эконометрической модели. Показано, что для оперативной оценки ВВП, импорта и расходов некоммерческих организаций оптимальной является байесовская векторная авторегрессия смешанной частоты (MFBVAR). Расходы домохозяйств и валовое накопление основного капитала наиболее точно оцениваются с помощью неограниченной MIDAS-модели (U-MIDAS), тогда как расходы госсектора точнее прогнозируются авторегрессией первого порядка (AR(1)), а экспорт -

динамическими факторными моделями (DFM). Это позволяет формировать гибридные системы наукастинга, адаптированные под конкретный макроэкономический индикатор.

2. Предложен и обоснован метод оперативного наукастинга на основе неполных внутриквартальных данных (за 1-2 месяца). Показано, что использование данных только за первый или первые два месяца квартала обеспечивает сопоставимую или более высокую точность прогноза по сравнению с использованием данных за полный квартал (различия в MAE/RMSE < 10%). Точность метода объясняется инерционностью экономических процессов и сниженной репрезентативностью данных третьего месяца квартала, что позволяет ускорить оценку текущего состояния экономики без существенной потери качества.

3. Разработана и апробирована система наукастинга для условий высокой неопределенности с интеграцией переменных новостного фона. Для ВВП России и его компонентов по использованию определены оптимальные модели (MIDAS, MFBVAR, DFM) с учетом доступности данных внутри квартала для досанкционного и кризисного периодов. Установлено, что включение показателей сентимента новостей (на основе анализа Telegram-каналов с помощью модели BERT) статистически значимо (тест Диболда-Мариано) улучшает точность наукастов в 45% случаев в кризисный период и в 30% случаев в досанкционный период, что подтверждает их потенциальную полезность как дополнительных индикаторов, особенно в периоды нестабильности. Результаты теоретически подтверждаются моделями поведенческой экономики (loss aversion), доказывая полезность новостных индикаторов в периоды нестабильности.

4. Установлено преимущество использования первых оценок официальной статистики для наукастинга ВВП России. Показано, что модели, обученные на первых оценках (несмотря на их последующие пересмотры), обеспечивают более высокую точность прогноза по сравнению с моделями, обученными на винтажах. Это объясняется тем, что первые оценки лучше отражают оперативные сигналы экономической активности, критически важные для краткосрочного прогнозирования. Установлен парадоксальный эффект: модели не только сохраняют точность на первой оценке, но и лучше "попадают" в ее значения,

улавливая краткосрочные шоки, коррелирующие с шумом первоначальных оценок.

5. Выявлены ключевые детерминанты точности наукастинга и краткосрочного прогнозирования ВВП развивающихся стран:

• Структура экономики: для стран, где значимую роль играет добывающий сектор, ключевыми предикторами являются цены на сырье и показатели внешней торговли; для стран с большой долей сельского хозяйства в ВВП - финансовые индикаторы и валютный курс; для стран с большой долей производственного сектора - индексы производства.

• Волатильность ВВП: обнаружена сильная положительная корреляция (0,89) между стандартной ошибкой темпов прироста ВВП и MAE наукаста. Влияние волатильности снижается на горизонте 3 кварталов (корреляция=0,54).

Список литературы диссертационного исследования кандидат наук Макеева Наталья Михайловна, 2026 год

Источник

Описание

Календарь выхода

Industry: YoY

Mining: YoY

Production: YoY

Energy: YoY

Agriculture: YoY

Construction: YoY

House: YoY

Transport: YoY

Trade: YoY

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Доклад

«Социально-

экономическое

положение

России», Росстат

Индекс промышленного производства

Индекс производства по добыче полезных ископаемых

Индекс обрабатывающего производства

Индекс производства в секторе "Обеспечения электрической энергией, газом и паром; кондиционирования воздуха"

Индекс реального объема

сельскохозяйственного

производства

Индекс реального объема работ, выполненных по виду деятельности "Строительство"

Ввод в действие жилых домов

Коммерческий грузооборот транспорта

Индекс реального оборота розничной торговли

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Задержка 1 месяц (в конце августа выходит за июль)

Переменная Источник Описание Календарь выхода

Unempl Доклад Уровень безработицы Задержка 1 месяц (в конце августа

«Социально- выходит за июль)

экономическое

положение

России», Росстат

Inflation Росстат Инфляция, рассчитанная 10 число каждого месяца, без

по индексу задержек

потребительских цен

Oil Price: YoY Reuters Цена на нефть марки 1-2 число каждого месяца, без

Brent на последнюю дату задержек

месяца

ExRate USD: Банк России Официальный курс 5-10 число каждого месяца, без

YoY Доллар США - задержек

Российский рубль на

последнюю дату месяца

ExRate EUR: Банк России Официальный курс Евро 5-10 число каждого месяца, без

YoY - Российский рубль на задержек

последнюю дату месяца

IMOEX: YoY Московская Значение индекса IMOEX 1-2 число каждого месяца, без

биржа на последнюю дату задержек

месяца

IRTS: YoY Московская Значение индекса IRTS на 1-2 число каждого месяца, без

биржа последнюю дату месяца задержек

Gas Price: YoY Reuters Цена на газ на 1-2 число каждого месяца, без

последнюю дату месяца задержек

MIACR Банк России Среднемесячные 5-10 число каждого месяца, без

фактические ставки по задержек

кредитам в рублях,

предоставленным

московскими банками,

срок 1 день

MonBase: YoY Банк России Денежная база (в 10 число каждого месяца, без

широком определении) задержек

M2: YoY Банк России Денежная масса М2 10 число каждого месяца, задержка 1

месяц

Reserve: YoY Банк России Международные резервы 5-10 число каждого месяца, без

Российской Федерации задержек

Источник: анализ, проведенный в рамках исследования (Макеева, Станкевич, 2022)

2.2 Сравнительный анализ точности моделей наукастинга

"В рамках данной работы оценивались результаты работы моделей на данных за последние 3 года, т.е. тестирование проходило по последним 12 точкам. Сопоставлялись результаты нескольких типов моделей: U-MIDAS, MIDAS неэкспоненциальными полиномами" (Макеева, Станкевич, 2022) Алмон, "MIDAS-модели с Ll-регуляризацией, MFBVAR и DFM-модели, а также простейшей AR^-модели в качестве бенчмарка. Для исследования зависимости точности наукастов от объема использованных данных для каждой зависимой переменной строился наукаст по данным только за первый месяц

квартала, при этом второй и третий месяц квартала принимался равным первому месяцу, затем по данным только за первые два месяца квартала, значение за третий месяц принималось равным значению за второй месяц, а также по данным за весь квартал. Благодаря этому можно изучить чувствительность точности наукастов к объему имеющихся данных и оценить точность оценок, которые можно получить еще до завершения квартала." (Макеева, Станкевич, 2022).

Сводные результаты по используемым моделям представлены в Таблицах 2-3 - 29. "Каждая из таблиц показывает результаты для ВВП и его компонентов по использованию для каждой из рассматриваемых моделей. Для MIDAS-моделей также указана переменная, показавшая лучшую точность наукаста. Результат для предпочтительной модели выделен жирным шрифтом." (Макеева, Станкевич, 2022).

"Обратимся к результатам для переменной ВВП России по использованию. Наиболее точный наукаст рассматриваемой переменной для целевого квартала рассчитывается при использовании только первого доступного месяца - лучший результат по MAE пока зывает MFBVAR-модель. Вторыми по точности оказываются неограниченная MIDAS-модель и MIDAS-R-модель с неэкспоненциальными полиномами" (Макеева, Станкевич, 2022) Алмон. "Если же оценивать качество моделей через критерий RMSE, то лучшей оказывается неограниченная MIDAS-модель по данным за два месяца текущего квартала, немного выигрывая у MFBVAR-модели по данным за один месяц. В целом же результаты по MAE и по RMSE согласуются. Результат сравнения наукаста наиболее точной модели, прогноза, полученного с помощью AR(1)-модели, а также фактический темп" (Макеева, Станкевич, 2022) прироста рассматриваемой переменной представлен на Рисунке 2-1. "Следует отметить, что использованные модели несколько недооценивают глубину кризиса, однако факт снижения темпов" (Макеева, Станкевич, 2022) прироста ВВП предсказывают точно. При этом посткризисное восстановление предсказывается точно и в полном объеме.

"Стоит также отдельно подчеркнуть очень необычный эффект: удаление части данных (последнего или даже последних двух месяцев квартала) повышает точность наукаста, что, вообще-то, является результатом контринтуитивным (как правило, чем больше данных мы используем - тем точнее оценка), и этот результат является достаточно устойчивым для разных типов моделей. Возможно, причина его кроется в том, что последний месяц квартала не очень репрезентативен с точки зрения квартала в

среднем в силу определенной инерции, свойственной многим экономическим процессам, и исключение его из рассмотрения позволяет получить более «чистую» картину текущего квартала." (Макеева, Станкевич, 2022).

Таблица 2-3. Средняя абсолютная ошибка (МАЕ) и среднеквадратичная ошибка (ЯМБЕ) для моделей наукастинга по последним 12 точкам, переменная ВВП России по использованию, % г/г

MAE RMS I

Keai (jur: yoy 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 2,06 1,36 1,76 2,72 1,83 2,17

(переменная) Trade: YoY Trade: YoY Industry: YoY Industry: YoY Trade: YoY Industry: YoY

MIDAS-R-nealmon 2,11 1,46 1,67 2,72 1,93 2,17

(переменная) Industry: YoY Trade: YoY Trade: YoY Industry: YoY Trade: YoY Trade: YoY

MIDAS LI 4,65 4,73 4,68 5,68 5,70 5,69

MFBVAR 1,28 1,51 1,85 1,84 1,99 2,63

DFM 2,16 2,40 2,10 3,03 3,11 2,76

AR(1) 2,90 2,90 2,90 4,42 4,42 4,42

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

12 10 8 6 4 2 0 -2 -4 -6 -8 -10

^^^"Факт ••••• Лучший наукаст -А11(1)-наукаст

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Рис. 2-1. Темпы прироста ВВП: факт, лучший наукаст и АР.(1)-наукаст

"Оценку динамики расходов на конечное потребление домашних хозяйств разумнее всего с точки зрения точности наукастов проводить с помощью MIDAS-модели без ограничений с использованием данных за первые два месяца рассматриваемого квартала, о чем свидетельствуют результаты" (Макеева, Станкевич, 2022) Таблицы 2-4.

Таблица 2-4. Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE) для моделей наукастинга по последним 12 точкам, переменная Расходы на конечное потребление домашних хозяйств, % г/г

Households MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 3,15 2,69 3,22 3,77 3,41 4,35

(переменная) Trade: YoY Trade: YoY Trade: YoY Trade: YoY Trade: YoY Trade: YoY

MIDAS-R-nealmon 3,15 2,75 3,28 3,77 3,40 4,35

(переменная) Trade: YoY Trade: YoY Trade: YoY Trade: YoY Trade: YoY Trade: YoY

MIDAS L1 10,02 10,15 10,04 12,61 12,62 12,46

MFBVAR 4,14 4,30 4,41 7,27 7,67 7,84

DFM 5,67 6,03 5,61 8,95 9,02 8,62

AR (1) 6,85 6,85 6,85 11,94 11,94 11,94

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

"Интересным также оказывается тот факт, что наилучшую точность среди рассмотренных MIDAS-моделей обеспечивает переменная, отражающая Индекс реального оборота розничной торговли при разных наборах первоначальных данных. Результаты при сравнении MAE и RMSE также согласуются." (Макеева, Станкевич, 2022). На Рисунке 2-2 "представлено сравнение лучшего наукаста, прогноза, полученного с помощью AR(1)-модели, и фактическое значение целевой переменной. Как и в случае с ВВП, модель несколько недооценивает глубину спада в кризис 2020 г., но при этом очень точно оценивает масштаб восстановления после кризиса." (Макеева, Станкевич, 2022).

30 20 10 0

2 3 4 -10 2019

-20

-30

^^^"Факт ••••• Лучший наукаст -А11(1)-наукаст

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Рис. 2-2. Темпы прироста потребления домашних хозяйств: факт, лучший наукаст и АР.(1)-наукаст

В Таблице 2-5 "представлены результаты для расходов на конечное потребление государственного управления. Наиболее эффективной для наукастинга как по критерию МАЕ, так и по ЯМБЕ оказалась авторегрессия, что в целом связано со сложным моделированием данной переменной и практически невозможным объяснением влияния различных данных на точность прогноза. При этом схожей по точности оперативной оценки оказывается МШАБ-Я-модель с неэкспоненциальными полиномами" (Макеева, Станкевич, 2022) Алмон.

Таблица 2-5. Средняя абсолютная ошибка (МАЕ) и среднеквадратичная ошибка (ЯМБЕ) для моделей наукастинга по последним 12 точкам, переменная Расходы на конечное потребление государственного управления, % г/г

Соуегптеги МАЕ \IMSY

Сошитрйоп: 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

УоУ

и-МГОАБ 0,67 0,66 0,68 0,80 0,79 0,80

(переменная) ЬфаНоп 1п/[аИоп 1п/[аИоп ЬфаНоп 1п/[аИоп 1п/[аИоп

Government MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

MIDAS-R-nealmon (переменная) 0,64 Inftation 0,63 Inftation 0,63 Inftation 0,75 Inftation 0,75 Inftation 0,74 Inftation

MIDAS L1 2,86 2,89 3,01 3,32 3,31 3,16

MFBVAR 1,05 0,92 1,01 1,29 1,18 1,22

DFM 1,44 1,39 1,25 1,62 1,58 1,45

AR (1) 0,61 0,61 0,61 0,70 0,70 0,70

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Расходы на конечное потребление некоммерческих организаций, обслуживающих домашние хозяйства (Таблица 2-6), "наилучшим образом оцениваются с помощью MFBVAR-модели на наборе данных за первый месяц при сравнении результатов с помощью MAE. При этом при сопоставлении точности через RMSE лучше все же использовать данные за первые два квартала, хотя изменения в точности практически не наблюдается (RMSE = 2,14 и 2,13 при использовании данных за первый и за первые два месяца соответственно). Результаты по переменной, показавшей наибольшую точность в MIDAS-моделях, также можно считать стабильными." (Макеева, Станкевич, 2022).

Таблица 2-6. Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE) для моделей наукастинга по последним 12 точкам, переменная Расходы на конечное потребление некоммерческих организаций, обслуживающих домашние хозяйства, % г/г

Non-commercial MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 2,65 2,51 2,48 3,45 3,35 3,30

(переменная) Unempl Unempl Unempl Unempl Unempl Unempl

MIDAS-R-nealmon 2,62 2,51 2,49 3,41 3,35 3,29

(переменная) Unempl Unempl Unempl House: YoY Unempl Unempl

MIDAS L1 3,40 3,77 3,82 4,03 3,93 4,14

MFBVAR 1,26 1,40 1,59 2,14 2,13 2,62

DFM 3,47 3,46 3,51 4,25 4,24 4,31

AR (1) 1,82 1,82 1,82 2,73 2,73 2,73

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Оперативная оценка валового накопления основного капитала (Таблица 2-7) оказывается наиболее точной при использовании любой из MIDAS-моделей (неограниченной или с экспоненциальными полиномами Алмон). "В качестве набора данных можно брать как полный квартал, так и первые два месяца - точность практически не меняется. Результаты при сравнении с помощью MAE и RMSE идентичны. Модели наукастинга для темпов" (Макеева, Станкевич, 2022) прироста валового накопления основного капитала, как и в случае с темпом прироста "ВВП России, не всегда точно оценивают глубину кризиса, но безошибочно определяют сам факт спада и очень точно предсказывают период и масштаб восстановления после кризиса" (Макеева, Станкевич, 2022) (Рисунок 2-3).

Таблица 2-7. Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE) для моделей наукастинга по последним 12 точкам, переменная Валовое накопление основного капитала, % г/г

Gross Capital MAE RMSE

Formation: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 2,50 2,20 2,19 2,89 2,69 2,68

(переменная) Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY

MIDAS-R-nealmon 2,50 2,20 2,19 2,89 2,69 2,68

(переменная) Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY

MIDAS L1 4,37 4,33 4,42 5,80 5,67 5,73

MFBVAR 2,70 2,43 3,19 3,45 2,94 4,02

DFM 3,39 3,69 2,77 4,23 4,65 3,99

AR (1) 4,48 4,48 4,48 5,31 5,31 5,31

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

15 10 5 0 -5 -10 -15

^^^"Факт ••••• Лучший наукаст -AR( 1 )-наукаст

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Рис. 2-3. Темпы прироста валового накопления основного капитала: факт, лучший наукаст и AR(1)-наукаст

В Таблице 2-8 "представлены результаты по экспорту. Наиболее точной при сопоставлении результатов как по критерию МАЕ, так и по RMSE становится динамическая факторная модель, а наиболее точный наукаст целевой переменной получается при использовании данных только за первый месяц рассматриваемого квартала. Близкими по точности также оказываются вариации MIDAS-моделей." (Макеева, Станкевич, 2022).

Таблица 2-8. Средняя абсолютная ошибка (МАЕ) и среднеквадратичная ошибка (ЯМБЕ) для моделей наукастинга по последним 12 точкам, переменная Экспорт, % г/г

MAE RMSE

Exports: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 3,58 4,36 4,30 4,75 4,87 4,74

(переменная) Transport: YoY Transport: YoY ExRate EUR: YoY Transport: YoY ExRate EUR: YoY ExRate EUR: YoY

MIDAS-R-nealmon 3,58 4,25 4,12 4,75 4,79 4,42

1 2 3 4 1

2021 2022

MAE RMSE

Exports: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

(переменная) Transport: YoY ExRate EUR: YoY ExRate EUR: YoY Transport: YoY ExRate EUR: YoY ExRate EUR: YoY

MIDAS L1 4,41 4,29 4,27 5,27 4,98 5,32

MFBVAR 4,17 4,53 4,50 5,07 5,38 5,16

DFM 3,63 3,82 3,95 4,37 4,61 4,72

AR (1) 3,44 3,44 3,44 4,55 4,55 4,55

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

"Финальной переменной, рассматриваемой в данной работе, становится импорт. Результаты по сопоставлению точности представлены" (Макеева, Станкевич, 2022) в Таблице 2-9. "Лучший наукаст данной переменной получается с помощью MFBVAR-модели по данным первых двух месяцев. Учитывая периодичность выхода статистики по объясняющим переменным, такой наукаст возможно рассчитать сразу по окончании квартала. Полученные результаты устойчивы при сравнении как по MAE, так и по RMSE" (Макеева, Станкевич, 2022).

Таблица 2-9. Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE) для моделей наукастинга по последним 12 точкам, переменная Импорт, % г/г

MAE RMSE

Imports: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 7,42 6,14 6,15 9,45 7,27 7,26

(переменная) Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY

MIDAS-R-nealmon 7,42 6,12 6,11 9,43 7,23 7,23

(переменная) Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY Transport: YoY

MIDAS_L1 15,11 14,74 14,86 18,35 16,94 17,24

MFBVAR 6,02 5,28 5,49 7,35 5,74 6,76

DFM 7,92 8,06 6,28 10,54 10,80 8,17

AR (1) 8,44 8,44 8,44 12,64 12,64 12,64

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Отношения средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам для всех переменных представлены в Таблицах 2-10 - 2-16. Наиболее точные прогнозы ВВП России обеспечивает MFBVAR-модель при использовании данных за первый месяц квартала (MAE и RMSE примерно на 45-55%

ниже, чем у авторегрессии первого порядка), в то время как для прогноза по двум и трем месяцам лидером по точности становится неограниченная модель U-MIDAS (Таблица 210). Для прогнозирования расходов домашних хозяйств неограниченная модель UMIDAS демонстрирует наивысшую точность на всех горизонтах (MAE и RMSE на 4570% ниже, чем у авторегрессии), в то время как байесовская модель MFBVAR и, в особенности, модель с LASSO-регуляризацией показывают значительно худшие результаты (Таблица 2-11). Для прогнозирования государственных расходов простая авторегрессия демонстрирует сопоставимую или более высокую точность, чем сложные модели, что подтверждает высокую инерционность этого бюджетного показателя. Модель MIDAS-R-nealmon показывает наилучшие результаты среди альтернативных методов, но не превосходит бенчмарк. (Таблица 2-12). Для инвестиций в основной капитал MFBVAR-модель является единственной, значительно превосходящей авторегрессию (снижение MAE на 35-45% на горизонте 1-2 месяца), в то время как все остальные методы, включая MIDAS, оказываются менее точными (Таблица 2-13). Модели U-MIDAS и MIDAS-R-nealmon демонстрируют наибольшую точность для валового накопления капитала, снижая ошибку прогноза на 40-50% по сравнению с авторегрессией, особенно при прогнозировании по трем месяцам квартала (Таблица 214). Для прогнозирования экспорта динамическая факторная модель (DFM) показывает стабильно хорошие результаты на коротком горизонте (1-2 месяца), в то время как к концу квартала ни одна из моделей не демонстрирует существенного преимущества перед простой авторегрессией (Таблица 2-15). Наивысшую точность для прогнозирования импорта обеспечивает байесовская модель MFBVAR, которая последовательно превосходит авторегрессию на всех горизонтах, снижая ошибку на 2540% при прогнозе по двум и трем месяцам (Таблица 2-16).

Таблица 2-10. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная ВВП России по использованию, % г/г

Real GDP: YoY MAE RMSE

1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 0,84 0,51 0,61 0,66 0,43 0,49

MIDAS-R-nealmon 0,86 0,54 0,57 0,66 0,46 0,49

MIDAS L1 1,90 1,76 1,61 1,39 1,34 1,29

MFBVAR 0,52 0,56 0,64 0,45 0,47 0,59

DFM 0,88 0,90 0,72 0,74 0,73 0,62

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-11. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Расходы на конечное потребление домашних хозяйств, % г/г

Households MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 0,55 0,45 0,47 0,35 0,30 0,36

MIDAS-R-nealmon 0,55 0,46 0,48 0,35 0,30 0,36

MIDAS L1 1,76 1,69 1,47 1,16 1,12 1,04

MFBVAR 0,73 0,72 0,64 0,67 0,68 0,66

DFM 1,00 1,01 0,82 0,82 0,80 0,72

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-12. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Расходы на конечное потребление государственного управления, % г/г

Government MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 1,03 1,03 1,11 1,08 1,12 1,14

MIDAS-R-nealmon 0,98 1,00 1,03 1,02 1,06 1,06

MIDAS L1 4,42 4,56 4,93 4,47 4,70 4,48

MFBVAR 1,62 1,45 1,65 1,75 1,68 1,74

DFM 2,22 2,19 2,04 2,18 2,24 2,06

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-13. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Расходы на конечное потребление некоммерческих организаций, обслуживающих домашние хозяйства, % г/г

Non-commercial MAE RMSE

Consumption: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 1,25 1,16 1,36 1,20 1,17 1,21

MIDAS-R-nealmon 1,23 1,17 1,37 1,19 1,17 1,20

MIDAS L1 1,60 1,75 2,09 1,40 1,37 1,52

MFBVAR 0,59 0,65 0,87 0,75 0,74 0,96

DFM 1,64 1,60 1,93 1,48 1,48 1,58

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-14. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Валовое накопление основного капитала, % г/г

Gross Capital MAE RMSE

Formation: YoY 1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 0,59 0,60 0,49 0,49 0,55 0,51

MIDAS-R-nealmon 0,59 0,60 0,49 0,49 0,55 0,50

MIDAS L1 1,02 1,18 0,99 0,99 1,16 1,08

MFBVAR 0,63 0,66 0,71 0,59 0,60 0,76

DFM 0,80 1,01 0,62 0,72 0,95 0,75

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-15. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Экспорт, % г/г

Exports: YoY MAE RMSE

1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 0,81 1,03 1,25 0,88 0,94 1,04

MIDAS-R-nealmon 0,81 1,01 1,20 0,88 0,93 0,97

MIDAS L1 1,00 1,02 1,24 0,97 0,96 1,17

MFBVAR 0,95 1,07 1,31 0,94 1,04 1,13

DFM 0,82 0,90 1,15 0,81 0,89 1,04

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

Таблица 2-16. Отношение средней абсолютной ошибки (MAE) и среднеквадратичной ошибки (RMSE) для моделей наукастинга к MAE и RMSE авторегрессии первого порядка по последним 12 точкам, переменная Импорт, % г/г

Imports: YoY MAE RMSE

1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

U-MIDAS 0,90 0,74 0,73 0,77 0,59 0,57

MIDAS-R-nealmon 0,90 0,74 0,72 0,77 0,59 0,57

MIDAS L1 1,84 1,77 1,76 1,50 1,38 1,36

MFBVAR 0,73 0,64 0,65 0,60 0,47 0,54

DFM 0,96 0,97 0,74 0,86 0,88 0,65

Источник: расчеты, проведенные в рамках исследования (Макеева, Станкевич, 2022)

2.3 Практические выводы для наукастинга ВВП и его компонентов по использованию

В работе сформулированы следующие выводы относительно наукастинга ВВП России и его компонентов по использованию (Таблица 2-17):

1. Выбор оптимальной модели для наукастинга напрямую зависит от конкретного компонента ВВП. Например, прогнозирование ВВП России и импорта наиболее точно осуществляется с помощью MFBVAR-модели, тогда как для расходов домохозяйств и валового накопления основного капитала наилучшие результаты показала неограниченная MIDAS-модель. При этом расходы на конечное потребление государственного управления, несмотря на сложность их объяснения через внешние факторы, эффективнее всего прогнозируются с помощью авторегрессии первого порядка.

2. Использование данных только за первые один или два месяца квартала может повысить точность прогноза по сравнению с полным квартальным набором данных. Это явление может быть объяснено инерционностью экономических процессов, когда третий месяц квартала вносит статистический «шум» из-за запаздывающей реакции экономических индикаторов.

3. Анализ кризисных периодов, включая пандемийный 2020 год, выявил способность моделей точно идентифицировать факт экономического спада, хотя глубина кризиса часто недооценивалась. При этом все рассмотренные методы продемонстрировали высокую точность в прогнозировании масштабов и сроков посткризисного восстановления.

4. Точность прогнозирования остаётся стабильной при использовании данных разной продолжительности (от одного до трёх месяцев). Различия в средних абсолютных ошибках между прогнозами, построенными на разных временных горизонтах, не превышали 10%, что позволяет рекомендовать использование сокращённых наборов данных для ускорения оценок без существенной потери качества.

Таблица 2-17. Средняя абсолютная ошибка (MAE) и среднеквадратичная ошибка (RMSE) для моделей наукастинга по последним 12 точкам для ВВП России и его компонентов по использованию

Переменная

MAE

RMSE

1 мес.

2 мес.

3 мес. 1 мес.

2 мес.

3 мес.

ВВП России по использованию, % г/г

1,28 MFBVAR

1,36 U-MIDAS (Trade)

1,67

MIDAS-R- 1,84 nealmon MFBVAR (Trade)__

1,83 U-MIDAS (Trade)

2,17 MIDAS-R-nealmon

(Trade)

Переменная MAE RMSE

1 мес. 2 мес. 3 мес. 1 мес. 2 мес. 3 мес.

Расходы на

конечное 3,15 2,69 3,22 U- 3,77 3,41 4,35

потребление U-MIDAS U-MIDAS MIDAS U-MIDAS U-MIDAS U-MIDAS

домашних хозяйств, (Trade) (Trade) (Trade) (Trade) (Trade) (Trade)

% г/г

Расходы на

конечное потребление государственного 0,61 AR(1) 0,61 AR(1) 0,61 AR(1) 0,70 AR(1) 0,70 AR(1) 0,70 AR(1)

управления, % г/г

Расходы на

конечное

потребление

некоммерческих 1,26 1,40 1,59 2,14 2,13 2,62

организаций, MFBVAR MFBVAR MFBVAR MFBVAR MFBVAR MFBVAR

обслуживающих

домашние

хозяйства, % г/г

Валовое накопление 2,50 2,20 2,19 2,89 2,69 2,68

основного капитала, U-MIDAS U-MIDAS U-MIDAS U-MIDAS U-MIDAS U-MIDAS

% г/г (Transport) (Transport) (Transport) (Transport) (Transport) (Transport)

4,42

3,44 AR(1) 3,44 AR(1) 3,44 AR(1) 4,37 DFM 4,55 AR(1) MIDAS-R-

Экспорт, % г/г nealmon (ExRate EUR)

Импорт, % г/г 6,02 MFBVAR 5,28 MFBVAR 5,49 MFBVAR 7,35 MFBVAR 5,74 MFBVAR 6,76 MFBVAR

Источник: составлено автором на основе исследования (Макеева, Станкевич, 2022)

Результаты, представленные в Главе 2, представляют собой значимый практический шаг в решении ключевой задачи диссертации - оперативной оценки текущего состояния российской экономики. Глава успешно апробировала методологический аппарат, сформированный в Главе 1, на конкретном и критически важном объекте - компонентах использования ВВП России. Установлены четкие рекомендации по выбору оптимальных моделей (MFBVAR для ВВП, импорта и расходов НКО; U-MIDAS для потребления домохозяйств и валового накопления; AR(1) для госрасходов; DFM для экспорта) для наукастинга каждого ключевого компонента, что позволяет формировать гибридные системы, сочетающие различные модели для разных компонентов ВВП для получения высокой точности оценок.

Особую практическую ценность имеет продемонстрированная возможность получения надежных оценок до окончания отчетного квартала. Показано, что использование данных всего за первый или первые два месяца квартала обеспечивает

точность, сопоставимую с использованием полного квартального набора данных (различия в MAE/RMSE < 10%). Этот вывод принципиально важен для ускорения принятия решений, основанных на актуальной информации о текущей экономической динамике, и подтверждает эффективность подходов, адаптированных к условиям задержек публикации данных.

Таким образом, Глава 2 установила прочный базис («эталон точности») для оперативной оценки ВВП России и его компонентов на основе традиционных макроэкономических индикаторов и стандартных моделей. Однако, как подчеркивалось во введении и методологии, периоды резкой неопределенности и кризисов (такие как постпандемийное восстановление и события 2022-2023 гг.) предъявляют особые требования к оперативности и устойчивости оценок. Официальная статистика, даже публикуемая в срок, в такие периоды особенно подвержена инерционности и может запаздывать с отражением стремительно меняющейся реальности. Существующие модели, основанные на традиционных данных, несмотря на свою эффективность в «нормальных» условиях (показанную в Главе 2), могут не улавливать стремительные сдвиги в режиме реального времени.

Это создает естественную исследовательскую потребность в поиске дополнительных, оперативных источников сигналов, способных дополнить и потенциально улучшить «базовые» модели. Логичным и перспективным кандидатом выступает анализ новостного фона. Поток новостей, особенно из значимых источников, может оперативно отражать изменения экономических настроений, ключевые события и формирующиеся тренды еще до их проявления в «жестких» экономических данных.

Следовательно, Глава 3 становится следующим закономерным этапом исследования, логически вытекающим из результатов Главы 2 и общей цели диссертации. Она фокусируется на тестировании гипотезы о ценности альтернативных данных (новостного фона) для повышения точности и оперативности наукастинга именно в условиях повышенной неопределенности. Используя наиболее точные модели для каждого компонента ВВП, полученные в Главе 2, как отправную точку, Глава 3 интегрирует в них переменные, сконструированные на основе анализа тональности и тематики новостей (с применением модели BERT к данным крупных Telegram-каналов).

Глава 3. Наукастинг макроэкономических показателей экономики России в условиях неопределенности: помогает ли учет новостного фона?

Кризисные периоды, такие как постпандемийное восстановление и события 20222023 гг., усиливают неопределенность и инерционность официальной статистики. Глава 2 показала «базовую» точность моделей, но в таких условиях логично искать дополнительные, оперативные источники сигналов. Данная глава фокусируется на тестировании гипотезы о полезности альтернативных данных - а именно, новостного фона - для повышения точности и оперативности наукастинга в России. Разрабатывается и реализуется методика сбора (крупные Telegram-каналы), обработки (модель BERT для сентимент-анализа и тематической классификации) и интеграции новостных переменных в модели наукастинга, сформированные в Главе 2. Ключевой вопрос: Приводят ли новости к статистически значимому улучшению точности оценок, особенно в кризисные периоды, и какие категории новостей наиболее информативны? Результаты этой главы дают важное понимание потенциала и ограничений альтернативных данных именно для российских условий в контексте наукастинга, дополняя картину, полученную на традиционных показателях.

"Изменяющаяся макроэкономическая ситуация и состояние неопределенности, например в условиях коронакризиса и санкционного давления, делают своевременную оценку текущего состояния экономики особенно актуальной как для органов государственной власти, так и для представителей частного сектора. Публикуемая официальная статистика, например по ВВП России и его компонентам, выходит на квартальной основе, а впоследствии корректируется. Одним из способов решения описанной проблемы является наукастинг — механизм оценки макроэкономических показателей, публикуемых с задержкой, на основе более оперативных данных различной частоты. Помимо популярного в задачах наукастинга классического набора оперативных макроэкономических индикаторов, все чаще изучается возможность использовать альтернативные данные, характеризующие состояние экономики и потребительские настроения (например, новостной фон)" (Макеева и др., 2024).

"Цель данной работы — сформировать систему оперативной оценки макроэкономических показателей экономики России в зависимости от макроэкономической ситуации, а также исследовать эффективность добавления

новостных переменных в модели наукастинга для повышения точности краткосрочных прогнозов. Полученная модель наукастинга позволит на основе ежемесячных регулярных данных давать оперативную оценку ВВП России и его компонентов по использованию по итогам квартала до выхода официальной статистики." (Макеева и др., 2024).

"Анализ различных текстов и, в частности, новостного фона для получения наиболее точной оценки — одна из новаций в краткосрочном прогнозировании. Например, исследование К. Яковлевой (2018) построено на применении методов текстового анализа и машинного обучения, что позволяет выбрать наиболее релевантные переменные на основе новостного фона. В качестве зон для развития автор выделяет совершенствование применяемого подхода и корректировку инструментов анализа. Примером работы по наукастингу на основе текстового анализа может служить статья Г. Куровского (2019), в которой для прогнозирования безработицы используется информация двух наиболее популярных в России поисковых систем — Яндекса и Google. В результате автор приходит к выводу, что добавление текстового анализа улучшает наукаст безработицы на сроке от 1 до 6 месяцев." (Макеева и др., 2024).

"Вопрос краткосрочной оценки и прогнозирования инфляции и инфляционных ожиданий обсуждается в статье М. Юревича (2021), где отмечается большая популярность информации из сети Интернет для получения прогноза инфляционных ожиданий и динамики цен в экономике. В работе используются статистика запросов в Google Trends и методы корреляционного и регрессионного анализов для получения наукаста ИПЦ с лагом один месяц. В результате демонстрируется повышение точности авторегрессионной модели при добавлении переменных, отражающих частоту поисковых запросов. Схожа по задумке работа: Лазарян, Герман, 2018: не для всех типов моделей добавление переменной, отражающей популярность запроса, оказывается необходимым. Авторы также сформулировали гипотезу относительно фундаментальных и методологических факторов полученного вывода." (Макеева и др., 2024).

"Использование данных о настроениях на основании ежедневных публикаций 15 европейских газет значительно повышает точность прогноза ВВП зоны евро (Ashwin et al., 2021). Схожие выводы были получены для краткосрочного прогнозирования макропоказателей Испании, в том числе возможность прогнозировать рецессию, вызванную коронакризисом (Aguilar et al., 2021)." (Макеева и др., 2024).

"Авторы исследования: Algaba et al., 2023, рассматривают ежемесячные опросы потребительского доверия и ежедневные результаты анализа настроений в статьях экономических СМИ. Выводы показывают, что точность используемых моделей для наукастинга индекса потребительской уверенности в Бельгии возрастает при использовании сентимента. В работе: Caruso, 2019, формируется «Индекс неожиданности наукаста», который применяется с соответствующими весами, определяемыми на основе макроэкономических новостей, для корректировки краткосрочного прогноза. Описанный подход позволяет связать макроэкономические показатели и новостной фон, а новостные показатели составляют значимую часть динамики цен на активы." (Макеева и др., 2024).

"Анализ тональности и настроения текста используется в прогнозировании лесных пожаров. Например, в статье: Lever, Arcucci, 2022, авторы применяют комбинацию географических признаков и сентимента постов в социальных сетях для повышения точности моделей наукастинга и демонстрируют опережающую прогнозную силу постов пользователей. Для определения динамики стоимости диверсифицированных компаний с несколькими сегментами бизнеса авторы работы: Okazaki, Takahashi, 2022, предлагают использовать новостные данные, проанализированные с помощью BERT модели. Авторы разделили 26 тыс. заголовков новостей по компаниям энергетического сектора Японии на 46 тематических групп, после чего преобразовали информацию во временные ряды для прогнозирования стоимости компании на фондовом рынке. В результате выявлено, что предлагаемый подход достаточно точный: полученные результаты были максимально близки к официальной отчетности компаний." (Макеева и др., 2024).

3.1 Методология интеграции индексов неопределенности в модели наукастинга

"Модели наукастинга оцениваются с последующим выбором наиболее точной спецификации модели для квартальных данных ВВП России и его компонентов по использованию в базовых ценах 2016 г., которые публикует Росстат. Переменные имеют квартальную периодичность. Рассматриваемый период — с I кв. 2014 по I кв. 2023 г. Для получения полных временных рядов имеющийся набор данных с базовыми ценами 2016 г. был дополнен данными за более ранние периоды с другими базовыми ценами с необходимым пересчетом. Для устранения сезонной компоненты все переменные были

приведены к темпам прироста к соответствующему периоду прошлого года, о чем в наименовании переменных свидетельствует обозначение «YoY»." (Макеева и др., 2024) Более того, использование годовых темпов прироста позволяет сопоставлять полученные в рамках исследования результаты с прогнозами, публикуемыми Минэкономразвития России. "Переменные, используемые для построения наукастов и сравнения точности моделей, представлены" (Макеева и др., 2024). в Таблице 3-1.

Таблица 3-1. Переменные для построения наукаста и периодичность их публикации

Переменная Обозначение Источник Периодичность публикации

ВВП России RealGDP:YoY Росстат Ежеквартально. Предварительная справка публикуется с задержкой в 1,5 месяца

Расходы на конечное потребление Hous_Cons:YoY Ежеквартально, задержка один

домашних хозяйств квартал (за 1 кв. оценка

Расходы на конечное потребление Gov Cons:YoY публикуется в начале 3 кв., далее -

государственного управления корректировка)

Расходы на конечное потребление Non-

некоммерческих организаций, обслуживающих домашние com_Cons:YoY

хозяйства

Валовое накопление основного GCF:YoY

капитала

Экспорт Exports:YoY

Импорт_Imports:YoY_

Источник: анализ, проведенный в рамках исследования (Макеева и др., 2024)

"Для построения наукастов использовались регулярные ежемесячные данные, публикуемые Росстатом в рамках доклада «Социально-экономическое положение России» (СЭПР). Для включения в модель выбирались переменные, отражающие макроэкономическую ситуацию в стране и опубликованные в течение всего периода. Были использованы переменные по основным мировым товарам (нефть марки Urals и природный газ), а также индекс производственной активности PMI по России и ее основным торговым партнерам. Рассматриваемый период — с января 2014 по март 2023 г. При необходимости для исключения сезонной составляющей рассматриваемые переменные месячной периодичности также были представлены в темпах прироста к соответствующему периоду прошлого года, на что также указывает обозначение «YoY» в названии переменной." (Макеева и др., 2024).

"Для повышения качества получаемых наукастов используются переменные, отражающие новостной фон. Все публикуемые новости имеют одинаково небольшой объем, что обусловлено как самим форматом публикаций новостей, так и техническим ограничением (посты могут быть не более 4096 символов и не более 1024 символов при наличии картинки). Telegram с технической точки зрения позволяет скачивать новости для дальнейшего анализа без потери информации." (Макеева и др., 2024).

"Для анализа были использованы посты в крупных русскоязычных Telegram-каналах, выбранных по следующим критериям:

1. Новости начали публиковать в 2015—2016 гг.

2. Источник информации позиционирует публикуемые новости как не привязанные к конкретной сфере, например спорт или финансы.

3. Более 100 тыс. человек уникальных подписчиков.

4. Telegram-канал принадлежит крупному СМИ или новостному изданию.

Всего по описанным выше критериям было отобрано восемь источников новостей." (Макеева и др., 2024).

"Для построения моделей наукастинга выбранные Telegram-каналы были сгруппированы следующим образом: все новости — в анализ добавлялись все выбранные источники новостей; классические новости — в анализ добавлялись только Telegram-каналы, которые являются «зеркалом» официальных СМИ." (Макеева и др., 2024).

"Переменные, отражающие новостной фон, формировались с помощью BERT (Bidirectional Encoder Representations from Transformers) — это модель глубокого обучения, основанная на трансформерах. Такой способ используется для обработки естественного языка и позволяет достичь высокой точности в задачах по анализу тональности текста. BERT работает по принципу контекстуального представления слов: учитывается значение слова в контексте всего предложения, а не только его отдельное значение." (Макеева и др., 2024). Данная модель на момент проведения исследования стала наиболее современным инструментом для оценки тональности текста.

"Анализ сентимента текста — процесс определения тональности. BERT может быть использован для выполнения этой задачи, потому что он учитывает контекст и может понимать значения слов и фраз в зависимости от контекста." (Макеева и др., 2024).

Рассматриваемая модель ранее работала на текстах общей тематики, поэтому "для кластеризации новостей и определения их тональности с помощью BERT необходимо подготовить данные и обучить модель на основе этих данных. Для этого была использована новостная лента РИА Новости, размеченная с помощью тегов, которые указывают на тональность и тематику новости. Затем эти данные были применены для обучения модели, которая будет использовать представления слов, созданные BERT." (Макеева и др., 2024).

"С помощью данного подхода была проведена кластеризация 500 тыс. новостей по 19 классификационным группам (например, новости по тематикам «Экономика и бизнес», «Общество», «Спорт», «Культура» и т. д.). Также был проведен анализ тональности новости (Sentiment analysis), позволивший классифицировать новости на пять групп в зависимости от эмоциональной окраски текста. Принудительная очистка используемых новостей не производилась. Таким образом, попадание поста про одну новость сразу в несколько Telegram-каналов повышает ее важность." (Макеева и др., 2024).

"Проведенный анализ позволил выделить три категории новостей для последующего включения в модель и сравнения точности наукастов:

• с негативным сентиментом без фильтра по теме;

• по теме «Экономика и бизнес» с негативным сентиментом;

• по теме «Экономика и бизнес» без фильтра по сентименту." (Макеева и др., 2024).