Модель среднесрочного прогнозирования макроэкономических переменных России с использованием методов эконометрики и машинного обучения

Моделирование и предсказание макроэкономических показателей по сей день остается неотъемлемой частью экономической науки и работой многих государственных и финансовых институтов. Поэтому целью данной работы было разработать модель при помощи методов эконометрики и машинного обучения, способную описать динамику ключевых макропеременных экономики России. В исследовании были определены следующие задачи: изучение успешных мировых и российских подходов к моделированию макроэкономических показателей стран, сбор и обработка исторических данных по основным показателям макроэкономики России, построение моделей при помощи лучших практик эконометрики и машинного обучения, оценка качества построенных моделей и валидация результатов, а также интерпретация полученных результатов и описание прогнозов. Исторические данные были собраны из таких источников, как Федеральная служба государственной статистики, ЦБ РФ и другие, и включают в себя ежемесячные статистические данные по основным социально-экономическим показателям за период с января 2000 года по декабрь 2023 года. Для прогнозирования шести основных макроэкономических показателей было взято пять видов моделей – ARIMAX, ADL, линейная регрессия, случайный лес и градиентный бустинг. Модели машинного обучения обучались на промежутке до 2021 года, а также тестировались до 2023 года. Стоит отметить, что эконометрические модели и модели машинного обучения между собой сравнивались на вневыборочном прогнозе за 2023 год при помощи метрики MAPE. В результате для каждой эндогенной переменной была выбрана наилучшая модель. Особенностью данного исследования также является отсутствие данных по экспорту и импорту товаров на 2023 год, поэтому по ним также был построен прогноз. Важно отметить, что наилучшее качество удалось получить именно для моделей машинного обучения, поэтому прогнозы на 2024–2025 годы также строились именно для моделей градиентного бустинга и случайного леса на основе трех сценариев – инерционного, оптимистичного и пессимистичного.