Пермские ученые повысили точность прогнозирования инфляции с помощью машинного обучения

Используя машинное обучение, исследователи из Пермского филиала НИУ ВШЭ, Татьяна Букина и Дмитрий Кашин, смогли улучшить прогнозирование инфляции в сравнении с традиционными экономическими моделями. Их исследования, проведенные на данных 14 регионов Приволжского федерального округа, показали, что современные алгоритмы, такие как градиентный бустинг, обеспечивают более точные долгосрочные прогнозы.

До 2014 года прогнозирование инфляции в России основывалось на традиционных методах. Однако с введением таргетирования инфляции Банком России, возникла необходимость в более точных прогнозах. Для этого используется информация, включающая индекс потребительских цен и уровень безработицы. Исследователи применяли данные Единой межведомственной информационно-статистической системы и использовали программы R Studio и Python для прогнозирования.

Татьяна Букина подчеркнула, что точная настройка гиперпараметров моделей машинного обучения является ключевым фактором их эффективности. В их исследовании модель градиентного бустинга превзошла классические авторегрессионные модели AR (1) на горизонте прогнозирования от 3 до 24 месяцев. Методы случайного леса и опорных векторов также показали хорошие результаты на длительных горизонтах.

Авторы считают, что комбинирование машинного обучения и традиционных методов может значительно повысить точность прогнозов инфляции, что особенно важно в период экономической нестабильности.

Раннее ITinfo сообщало, что в России был выпущен аналог Microsoft 365 под названием «МойОфис для дома».