| Аннотация | Цель работы - оценка качества прогнозирования инфляции в России при помощи методов машинного обучения - алгоритмов градиентного бустинга и нейронных сетей. Это первая работа, в которой для прогнозирования инфляции в России применяются модели долгой краткосрочной памяти и управляемого рекуррентного блока. Кроме того, мы апробируем модифицированные версии градиентного бустинга - LightGBM и CatBoost. На выборке из лаговых величин инфляции наиболее точные прогнозы получены с помощью сверточных и полносвязных нейронных сетей, а при прогнозировании на горизонте в 12 месяцев - при использовании модели долгой краткосрочной памяти, что связано с последовательной обработкой информации и пропускным механизмом в изучении статистических данных. При учете дополнительных макроэкономических факторов прогнозное преимущество демонстрируют полносвязные нейронные сети и модель градиентного бустинга Sklearn. Согласно декомпозиции Шепли, наиболее информативными предикторами при прогнозировании российской инфляции являются цены на нефть и природный газ, инфляция в еврозоне и США, динамика оборота розничной торговли, темп прироста численности безработных. |
|---|