Прогнозирование инфляции с высокой частотой: двухэтапная методология машинного обучения

High-frequency inflation forecasting: A two-step machine learning methodology
Osmar Bolivar
2025-05-17

регрессия Риджавысокочастотное прогнозирование инфляциимашинное обучениеиндикаторы смешанной частотыоперативная оценка
В исследовании представлена новая двухэтапная методология машинного обучения для формирования высокочастотных (дневных и недельных) прогнозов инфляции в развивающихся странах, где официальная статистика, как правило, доступна только с месячной периодичностью и с задержкой. Под высокочастотным прогнозированием здесь понимаются краткосрочное прогнозирование в режиме реального времени (nowcasting) или интерполяция — получение оценок до публикации официальных данных либо внутри рассматриваемого периода с использованием индикаторов смешанной частотности; кроме того, такой подход служит стратегией расширения данных. На первом этапе высокочастотные предикторы агрегируются для формирования признаков, согласованных с месячной частотой и используемых в качестве входных данных при обучении моделей машинного обучения. На втором этапе оцениваются различные методы отбора признаков, а несколько алгоритмов машинного обучения тщательно настраиваются с помощью оптимизации гиперпараметров. В результате систематической оценки была выбрана итоговая модель — регрессия Ridge, обученная на подмножестве признаков с L1-регуляризацией, — обеспечивающая более высокую точность вне выборки. Затем эта модель используется для построения высокочастотных оценок годовой инфляции индекса потребительских цен (ИПЦ) в режиме nowcasting. Прогнозы демонстрируют высокое временное соответствие наблюдаемым месячным значениям, а эквивалентность распределений месячных и высокочастотных проекций подтверждается тестами Колмогорова–Смирнова. По сравнению с эталонными эконометрическими моделями предложенный подход обеспечивает более высокую прогностическую эффективность и предоставляет своевременные и детализированные данные для перспективной денежно-кредитной политики.
1
Высокочастотные предикторы агрегируются в признаки, согласованные с месячной частотой, после чего применяются отбор признаков и оптимизация гиперпараметров различных алгоритмов машинного обучения.
2
Тесты Колмогорова–Смирнова подтверждают эквивалентность распределений месячных наблюдений и высокочастотных прогнозов инфляции.
3
Регрессия Ridge, обученная на подмножестве признаков с L1-регуляризацией, показала наилучшую точность вне выборки среди исследованных моделей.
4
Предложенный подход превосходит эталонные эконометрические модели и предоставляет более своевременную и детализированную информацию для перспективной денежно-кредитной политики.
5
Полученные краткосрочные прогнозы годовой инфляции CPI демонстрируют тесное временное соответствие наблюдаемым месячным значениям инфляции.
6
Исследование представляет двухэтапную методологию машинного обучения для ежедневного и еженедельного краткосрочного прогнозирования инфляции в развивающихся экономиках с задержкой публикации месячной статистики.

Высокочастотная годовая инфляция CPI в развивающихся странах

Точность краткосрочного прогнозирования и интерполяции, временное согласование и эквивалентность распределений ежедневных и еженедельных оценок инфляции с официальной месячной инфляцией CPI

Publication Details
Publication Date
2025-05-17
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Osmar Bolivar
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%