Рабочий документ «Алгоритмы машинного обучения для краткосрочного прогнозирования темпов прироста реального ВВП»

Аналитики ЕФСР оценили эффективность алгоритмов машинного обучения при краткосрочном прогнозировании роста ВВП

Экономисты Евразийского фонда стабилизации и развития (ЕФСР) подготовили рабочий документ «Алгоритмы машинного обучения для краткосрочного прогнозирования темпов прироста реального ВВП». Целью исследования стала оценка точности краткосрочных прогнозов, полученных при помощи методов и алгоритмов машинного обучения, по сравнению с результатами традиционных эконометрических моделей прогнозирования.

Для этого авторы провели эксперимент: всю выборку квартальных данных по Беларуси с 2004 по 2024 год разделили на две части — обучающую (первые 70% наблюдений) и тестируемую (последние 30% наблюдений). Для оценивания и прогнозирования использовались показатели реального, внешнего и финансового секторов экономики республики. Далее к этому массиву данных применялись как традиционные эконометрические модели для краткосрочного прогнозирования (AR, VAR и BVAR), так и методы и алгоритмы машинного обучения (Ridge- и LASSO-регрессии, Elastic Net, Boosting, Bagging, Random Forest и Neural Networks). Для расчетов по алгоритмам машинного обучения был использован язык программирования Python.

Результаты работы показывают, что практически все рассмотренные методы и алгоритмы машинного обучения для краткосрочного прогнозирования темпов прироста реального ВВП по качеству прогноза превосходят традиционные инструменты краткосрочного прогнозирования. Наиболее эффективными инструментами оказались LASSO-регрессия, Random Forest и Neural Networks. Такие модели можно применять и в качестве альтернативы традиционным моделям, и как дополнение к ним. Более того, при использовании методов и алгоритмов машинного обучения не наблюдается лагового сдвига, характерного для AR-, VAR- и BVAR-моделей. Однако статистическая разница в полученных результатах отмечается только при комбинированном прогнозе на основе МНК весов — такой метод гарантирует наибольшую точность прогнозов.

• Презентация

  PDF, 1.25 МБ

• Рабочий документ

  PDF, 1.54 МБ