Методы машинного обучения в макроэкономическом прогнозировании: предварительные результаты

В статье суммируются методы машинного обучения (ML), наиболее актуальные для макроэкономики, и оценивается их эффективность в прогнозировании и настоящее-временном прогнозировании (nowcasting) ключевых макроэкономических индикаторов. Несмотря на стремительный методологический прогресс и всплеск публикаций за последние 25 лет, прирост точности прогнозов при использовании традиционных статистических (экономических, финансовых и опросных) данных остаётся скромным. Модели ML часто превосходят наивные и стандартные эконометрические эталоны, однако улучшения не всегда статистически значимы и, когда значимы, могут быть слишком малы для практиков с учётом затрат на внедрение. Мы выделяем несколько задач, где ML уже полезен даже при традиционных данных, и подчёркиваем, что ML становится незаменимым при работе с «большими» и неструктурированными данными.