Аналитики ЕФСР оценили передовые методы краткосрочного планирования роста ВВП

Аналитики ЕФСР оценили передовые методы краткосрочного планирования роста ВВП

Аналитики Евразийского фонда стабилизации и развития (ЕФСР) оценили машинное обучение при краткосрочном планировании роста ВВП.

Авторы отмечают, что одной из ключевых проблем макроэкономического прогнозирования остается отставание статистических данных от реальных процессов в экономике.

«Для анализа и прогнозирования макроэкономической динамики используются, как правило, квартальные структурные или полуструктурные модели, которые не всегда дают качественную оценку тенденций в краткосрочной перспективе», — сообщают в фонде.

Как альтернативу экономисты используют методы машинного обучения, способные работать с большими объемами данных и самостоятельно учитывать взаимосвязи между параметрами и их динамику.

Такие инструменты, однако, обладают и рядом недостатков: требуются значительные вычислительные ресурсы, также вероятность возникновения ошибок на тестовой выборке.

Чтобы оценить применимость и эффективность алгоритмов машинного обучения экономисты ЕФСР провели эксперимент по сравнению традиционных эконометрических моделей и инструментов машинного обучения при оценке темпов роста реального ВВП.

Среди моделей машинного обучения такие методы, как:

1. стекинг (Stacking),
2. бэггинг (Bagging, Bootstrap Aggregating),
3. метод случайного леса (Random Forest),
4. бустинг (Boosting), включает такие алгоритмы градиентного бустинга, как CatBoost, XGBoost и LightGBM.
5. Ridge-регрессия (гребневая регрессия)
6. LASSO-регрессия (оператор наименьшего абсолютного сжатия и выбора)
7. Elastic Net (Эластичная сеть)