| Аннотация | Исследуются прогнозные свойства продвинутых моделей машинного обучения и эконометрики - двух видов градиентного бустинга над решающими деревьями (классического и натурального), одной из лучших нейросетевых архитектур для табличных данных TabNet, динамической факторной модели (DFM) и байесовской векторной авторегрессии на данных смешанной частотности (MFBVAR). Чтобы определить, какое семейство моделей (и какие конкретно модели) демонстрирует лучшее качество прогноза на коротких временных рядах, какие подходы следует развивать и в какую сторону двигаться, чтобы улучшать качество прогнозов, почему нет существенного прироста качества прогноза от использования моделей машинного обучения вместо продвинутых эконометрических, сравнивается качество прогноза на ретроспективных данных. Модель должна прогнозировать ряды без сезонной очистки, использовать информацию о месячных предикторах в момент публикации статистики по ним, а не просто квартальные регрессоры, то есть должна прогнозировать в реальном времени. Модель должна условно самостоятельно отбирать важные факторы для прогноза, а не быть специфицированным из теоретических соображений определенным набором факторов. Каждая модель не должна быть подвержена проклятию размерности и должна иметь встроенный механизм «feature selection». Массив данных содержит 63 месячных предиктора для прогнозирования динамики основных российских макроэкономических показателей. Предложен и протестирован способ создания предикторов, которые на основе скользящих средних учитывают динамику за несколько месяцев для прогноза квартального значения. Градиентные бустинги незначительно превосходят MFBVAR-модель, посредственные результаты показывают нейросеть TabNet и динамическая факторная модель. Предложенный способ построения предикторов на основе скользящих средних показал высокое качество на дальних горизонтах прогноза для ВВП и валового накопления основного капитала. |
|---|