| Аннотация | Работа посвящена построению различных моделей для прогнозирования функции распределения инфляции в российской экономике. Актуальность решаемой нами задачи обусловлена тем, что отечественные исследования ограничиваются точечным прогнозированием инфляции, уделяя мало внимания построению доверительных интервалов значения показателя. В то же время прогноз всего вероятностного распределения инфляции дает представление о неопределенности и рисках быстрого роста цен в будущем и одновременно предполагает точечное предсказание. В качестве инструментов моделирования условной функции распределения в работе используются квантильная регрессия и квантильная нейронная сеть. Рассматривается большое число показателей, потенциально обладающих предсказательной силой. В связи с необходимостью выбора спецификации тестируется ряд способов отбора предикторов, а именно линейная, стандартная квантильная и байесовская квантильная LASSO-регрессии. По итогам анализа стандартная квантильная LASSO-регрессия, позволяющая подобрать индивидуальный набор предикторов для каждого из квантилей инфляции, превосходит ряд бенчмарков, в том числе квантильную и линейную авторегрессии. Квантильная регрессия с выбранными предикторами дает качественный результат в случае как интервального, так и точечного прогнозирования. В свою очередь, применение нейросетевого подхода позволяет улучшить прогноз инфляции на более дальние горизонты прогноза. Выявлено, что включение в уравнения для некоторых квантилей таких переменных, как курсовая волатильность, ввод жилых домов, государственный долг, цена на природный газ и ряда других, позволяет улучшить прогнозные свойства модели. Не последнюю роль играет учет механизма коррекции ошибок. Построенные модели могут быть использованы для прогнозирования инфляции и оценки инфляционных рисков. |
|---|