Прогнозирование инфляции с высокой частотой: двухэтапная методология машинного обучения
High-frequency inflation forecasting: A two-step machine learning methodology
2025-05-17
SCID: 54.1/kdafss48
Discuss with AI
регрессия Риджавысокочастотное прогнозирование инфляциимашинное обучениеиндикаторы смешанной частотыоперативная оценка
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Высокочастотная годовая инфляция CPI в развивающихся странах
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest