Неэргодическая экономика

Авторский аналитический Интернет-журнал

Изучение широкого спектра проблем экономики

Учет пороговых немонетарных событий в гибридных моделях инфляции

В статье показано, что за последние десятилетия феномен инфляции претерпел большие изменения, превратившись из монетарного явления преимущественно в немонетарное. Прикладные расчеты полностью подтверждают этот вывод применительно к России. Сильная зависимость инфляции от огромного числа немонетарных факторов требует разработки новых подходов к ее моделированию и прогнозированию. Новая доктрина предполагает переход от моно–инструментальных модельных комплексов к поли-инструментальным аналитическим системам. В рамках нового аналитического тренда авторы предлагают специализированную систему прогнозирования инфляции, включающую лицо, принимающее решения, аналитическое ядро, состоящее из сопряженных между собой эконометрической модели и нейронной сети, и аналитического интерфейса, включающего систему учета пороговых событий немонетарной природы и систему учета волатильности факторов инфляции.

Введение

 

К настоящему времени феномен инфляции претерпел качественные метаморфозы относительно периода полувековой давности. Так, если раньше рост цен был преимущественно монетарным явлением и определялся в основном монетарными параметрами (величиной денежной массы, учетной ставкой, нормой резервирования и т.п.), то сегодня он уже является преимущественно немонетарным феноменом и в большей степени зависит от немонетарных факторов (степени монополизации рынков, уровня коррупции, темпов внедрения инноваций, политических событий типа военных событий и международных санкций и т.п.) (Балацкий, Екимова, 2018). В связи с этим радикально меняется доктрина моделирования и прогнозирования инфляции.

Еще недавно в практике прогнозирования инфляции использовались моно-инструментальные модели разного типа. Например, традиционно применялись модели определенного инструментального класса, например, модели на основе Кривой Филлипса, векторные авторегрессионные модели, динамические модели общего равновесия, нейронные сети. Сегодня становится очевидно, что такие упрощенные подходы себя не оправдывают, в связи с чем возникает потребность в разработке поли–инструментальных моделей, представляющих собой сложные аналитические конструкции с набором разных типов модельного инструментария. Фактически речь идет о переходе от канонических моделей к сложным алгоритмам прогнозирования, в которых в качестве элементов присутствуют модели разных классов плюс разнообразные правила интеграции, «запуска» и адаптации данных моделей. Иными словами, сегодня все шире начинают применяться гибридные модельные комплексы прогнозирования инфляции, которые эффективно работают только в непосредственной связке с аналитиками, учитывающими нестандартные текущие условия.

Цель данной статьи состоит в разработке контуров типовой гибридной модели, которая учитывала бы не только последние тренды в развитии инфляционных процессов, но и давала бы возможность гибкой переналадки всей процедуры прогнозирования в зависимости от внешних событий и обстоятельств.

 

Смещение акцентов в моделировании: от моно– к поли–инструментальным аналитическим схемам

 

Как было отмечено выше, в последние годы практика построения гибридных модельных конструкций в целях прогнозирования различных процессов и явлений получила широкое распространение среди отечественных и зарубежных аналитиков. Данный подход используется для прогнозирования как в области общественных (экономика, социология и др.), так и естественных наук (геология, биология, медицина и др.). Главным преимуществом поли-инструментальных комплексов является более высокая точность прогнозирования за счет совмещения аналитического потенциала моделей прогнозирования разных классов на фоне нивелирования их специфических недостатков. Многочисленные исследования подтверждают данный вывод.

Идея построения гибридных моделей в целях прогнозирования была обоснована в 1969 году Дж. Бейтсом и К. Гренджером в работе (Bates, Granger, 1969) и в дальнейшем развита П. Ньюболдом и К. Гренджером в исследовании (Newbold, Granger, 1974). Экономисты предложили повышать точность прогнозных оценок за счет усреднения прогнозов нескольких статистических моделей. Дальнейшее развитие методов построения гибридных моделей осуществлялось по двум направлениям: либо путем разработки новых методов объединения прогнозов, либо посредством расширения комбинированной конструкции, предложенной Дж. Бейтсом, К. Гренджером и П. Ньюболдом, за счет новых видов индивидуальных моделей (Васильев, 2014).

В рамках первого направления широкое распространение получило объединение статистических и структурных моделей, особенно сочетание нейронных сетей с моделями типа ARIMA и SARIMA. Так, в работе (Zhang, 2003) экспериментальные результаты с реальными наборами данными показали повышение точности прогнозирования при использовании указанного выше сочетания относительно любой из моделей, используемой отдельно. В исследовании (Tian, Ma, 2010) продемонстрировано повышение точности прогноза распространения церебральных нарушений при использовании поли-инструментальных моделей. Аналогичные результаты, подтверждающие улучшение качества прогнозирования при использовании гибридных моделей, были получены и в отношении прогнозных оценок колебаний фондовых индексов (Wang et. al., 2013), энергетической нагрузки (Bozkurt, Biricik, Taysi, 2017), почасовых температур (Xuemei et. al., 2009) и др.

Кроме указанного выше объединения, хорошие результаты показало комбинирование ARIMA с моделями на основе метода эмпирических мод (Empirical Mode Decomposition) (Linh, Amy, Doug, 2012), метода опорных векторов (Support Vector Machine) (He, Zhu, Duan, 2006), а также с вейвлет–анализом (Hou et. al., 2013), цепями Маркова (Митрафанов, Русановский, 2008) и другими моделями структурного типа. В частности, в работе (Степаненко, 2018) была сделана попытка разработать некую универсальную гибридную модель прогнозирования временных рядов, совмещающую в себе достоинства моделей статистического (ARIMA) и структурного (алгоритм случайного леса – Random Forest) классов. Первый тип позволяет достаточно эффективно анализировать линейные закономерности временного ряда, в то время как второй демонстрирует высокую обобщающую способность в отношении его сложных нелинейных взаимосвязей. Результаты тестирования разработанной модели показали повышение точности прогнозных оценок практически на 25% и ее адаптивность для прогнозирования временных рядов из разных предметных областей.

В области естественных наук неплохие результаты показали опыт совмещения искусственных нейронных сетей с геостатистическими интерполяционными подходами (кригинг остатков) в сильно гетерогенной среде для повышения точности моделирования пространственного распределения концентраций химических элементов в верхнем слое почвы (Шичкин и др., 2018). Улучшение точности прогноза в результате интеграции кригинга в нейросетевые модели подтверждена и в работах (Kanevski, Pozdnoukhov, Timonin, 2009; Lakes, Muller, Kruger, 2009).

Развитие поли–инструментального подхода к моделированию прогнозирования осуществлялось не только в рамках расширения комбинированной модели, рассмотренной Дж. Бейтсом, К. Гренджером и П. Ньюболдом (Bates, Granger, 1969; Newbold, Granger, 1974), но и путем предложения новых комбинаций методов прогнозирования. В частности, в различных исследованиях рассматривались сочетание метода опорных векторов c сингулярным спектральным анализом (Singular Spectrum Analysis – SSA) (Golyandina, Nekrutkin, Zhigljavsky, 2001) и с вейвлет–анализом (Marques et. al., 2006), построение гибридной модели на основе нейронных сетей (Sivapragasam, Liong, Pasha, 2001), комбинация методов «Гусеница»–SSA и Бокса–Дженкинса (Щелкалин, 2014; Zhang et. al., 2011), а также модели нейронно–нечетких систем (Chai, Jia, Zhang, 2009) и др. Для совершенствования статистических методов объединения прогнозов в настоящее время активно используются непараметрические и робастные статистические оценки (Васильев, 2014). Все указанные подходы демонстрируют более высокую точность прогнозных оценок по сравнению с результатами использования моно-инструментальных моделей.

В отношении прогнозирования социально-экономических явлений и процессов, включая инфляцию, следует отметить, что здесь, как и в естественных науках, наблюдается тенденция к использованию гибридного инструментария. Более того, аналитические подразделения центральных банков большинства стран используют исключительного комплексный подход к прогнозированию инфляции, поскольку моно-инструментальные модели не позволяют получать высокую точность составляемых прогнозов (Турунцева, Астафьева, Петренко, 2014), в то время как применение модельного комплекса показало его значительное преимущество (Андреев, 2016; Akdogan et. al., 2013). Существенным дополнением к формированию грамотного подхода к моделированию инфляционных процессов является тот факт, что согласно проведенным исследованиям получение качественных прогнозных оценок инфляции возможно только в те периоды времени, в пределах которых действуют одинаковые экономические тенденции (Коваленко, Уртенов, 2010).

Таким образом, проведенный анализ показывает, что в настоящее время моно-инструментальные подходы к прогнозированию практически утратили свою актуальность и применяются, в основном, в составе комплексного моделирования. Одновременно продолжает использоваться подход, ориентированный на «параллельное» использование моделей с последующим их усреднением в целях получения более точных результатов. В данной работе рассмотрен опыт моделирования гибридного аналитического комплекса прогнозирования инфляции путем последовательного объединения отдельных классов моделей с возможностью его переналадки в ответ на изменения во внешней среде.

 

Новый тренд в формировании инфляции: от монетарной к немонетарной доктрине

 

Чтобы проиллюстрировать тезис о трансформации феномена инфляции из преимущественно монетарного в преимущественно немонетарное явление рассмотрим две эконометрические модели, построенные для экономики России на статистических данных с помесячной разбивкой за 2014–2017 гг. и отдельно за 2016–2017 гг. Тем самым первая модель устанавливает более общий тренд, а вторая – его уточняет за последние два года. Общий вид эконометрической модели имеет вид:

                                                                                                      

 

          (1)

 

 

 

где P – индекс потребительских цен (ИПЦ); xiM и xiNi–ый монетарный и немонетарный факторы инфляции соответственно; αi и bi – параметры, оценивающие силу влияния i–ого монетарного и немонетарного факторов соответственно; m – число монетарных факторов; n – число всех факторов.

Для такой модели можно ввести два показателя вклада немонетарных факторов в инфляционный процесс – количественный (Ω) и качественный (Θ). Количественная мера (Ω) влияния немонетарных факторов на инфляцию представляет собой долю числа немонетарных факторов в общем числе факторов:

 

                                                                                                                        (2)

 

 

Качественная мера (Θ) влияния немонетарных факторов на инфляцию представляет собой долю потенциала влияния немонетарных факторов в их общем потенциале:

 

    (3)

 

 

 

Формула (3) предполагает, что все факторы инфляции изменяются, во-первых, на одну (сопоставимую) единицу, а во-вторых, в одном (положительном) направлении, увеличивая ее величину индекса цен.

Обе меры – (2) и (3) – максимально удобно вычислять в процентном соотношении. Заметим, что для повышения корректности расчетов по показателям (2) и (3) следует все переменные модели (1) выражать в единой форме, например, в месячных индексах роста (в процентах).

Проведенные вычислительные эксперименты на основе данных за период 2014–2017 гг. с помесячной разбивкой позволили построить следующую базовую эконометрическую модель инфляции:

 

 

        (4)

 

 

 

N=48; R2=0,755; DW=2,595; E=0,257%,

где P – месячный индекс ИПЦ; r – месячный индекс ключевой ставки; Ex – месячный индекс валютного курса рубль/доллар; Oil – месячный индекс цен на нефть; Pot – месячный индекс цен на картофель; t – индекс текущего месяца. В скобках под коэффициентами регрессии приведены их t–статистики; E – ошибка аппроксимации (в процентах); остальные обозначения – стандартные.

Несмотря на то, что построенная модель (4) имеет удовлетворительные статистические характеристики, ее использование в практике прогнозирования не представляется возможным по причине накопления в ней ошибок и наличия разных трендов в динамике инфляции на протяжении четырех лет. Для понимания характера возникающих проблем рассмотрим накопленную за год ошибку относительно темпов инфляции по модели (4) (табл.1).

Во-первых, для первых двух лет модель (4) устойчиво занижает фактические значения ИПЦ, тогда как для последующих двух лет она дает устойчивое завышение инфляции. Данный факт недвусмысленно говорит о наличии двух разнонаправленных трендов в формировании инфляции и регулятивных действий Банка России, следовательно, для каждой пары лет следует строить свою модель инфляции.

Во-вторых, в четвертом году ошибка прогноза на порядок возрастает по сравнению с третьим годом. Данный факт свидетельствует о том, что в течение 4 лет произошло принципиальное изменение режима формирования ИПЦ, которое к последнему году дало большую погрешность. Процесс нарастания ошибки к концу моделируемого периода свидетельствует о постепенной потере адекватности построенной эконометрической зависимости на указанном временном отрезке.

 

Таблица 1

Распределение накопленной за год ошибки аппроксимации ИПЦ по моделям (1) и (2), %

Годы

ИПЦ по модели (4)

ИПЦ по модели (5)

Расчет

Факт

Ошибка

Расчет

Факт

Ошибка

2014

10,2

11,3

–9,7

2015

10,0

12,9

–22,2

2016

6,2

5,3

14,9

6,1

5,8

5,5

2017

5,4

2,5

116,8

2,4

2,5

–4,5

Всего

35,8

35,8

0,1

8,2

7,7

4,9

 

Сказанное подводит к пониманию того, что для прикладных целей следует строить модель на более коротком временном интервале, охватывающем 2016–2017 гг. В этом случае есть основания предполагать, что модель будет воспроизводить режим подавления инфляции, который поддерживался Банком России на протяжении указанных двух лет.

Экспериментальные расчеты позволили получить следующую прикладную эконометрическую модель инфляции за 2016–2017 гг.:

 

                (5)

 

 

 

 

 

 

N=24; R2=0,805; DW=1,397; E=0,116%,

где ∆W – месячный финансово-технологический индекс отношения производительности труда к заработной плате; CSI – индекс потребительских настроений; BCI – индекс предпринимательской уверенности (среди предпринимателей добывающей промышленности); остальные обозначения прежние. Статистические характеристики модели (5) позволяют ее рассматривать в качестве пригодной для прикладных целей. Об этом, в частности, свидетельствует более высокая точность аппроксимации модели (5) по сравнению с моделью (4) для 2016–2017 гг. (табл.1).

Построенные модели (4) и (5) позволяют продолжить начатый разговор о роли немонетарных факторов в инфляционном процессе. В частности, построенная базовая прикладная эконометрическая модель инфляции для 2014–2017 гг. включает четыре регрессора, из которых два монетарные и еще два – немонетарные. Это означает, что количественная мера влияния Ω немонетарных факторов на инфляцию составляет 50%, а качественная мера Θ – 29% (табл.2). Таким образом, в базовой модели (4) доминантой инфляции выступают монетарные факторы. Однако в модели (5) для 2016–2017 гг., более точно отражающей последние тенденции, участвует пять регрессоров, из которых только один монетарный, а остальные четыре – немонетарные. Это означает, что в количественном отношении группа немонетарных факторов обеспечивает 80% вклада в инфляцию, а в качественном отношении – 70,3% (табл.2). В данном случае мы видим, что в прикладной модели (5) доминантой инфляции выступают уже немонетарные факторы.

Таким образом, даже за последние годы явление инфляции в России претерпело принципиальную трансформацию, когда в начальный период действия международных санкций оно формировалось в основном посредством монетарных каналов, а в более поздний период – посредством каналов немонетарных факторов.

 

Таблица 2

Эволюция модельных факторов влияния на инфляцию

Мера влияния немонетарных факторов

Эконометрическая модель

Базовая (4)

Прикладная (5)

Количественная, Ω, %

50,0

80,0

Качественная, Θ, %

29,0

70,3

 

Указанная рокировка двух групп факторов практически полностью отрицает классические и неоклассические теории инфляции и требует новой теории и альтернативных методов моделирования. Выполненные модельные построения показывают, что в теоретических концепциях происходит систематический недоучет немонетарных факторов инфляции, роль которых со временем имеет тенденцию к росту. Вместе с тем построенные модели вскрывают и другую проблему – в разные периоды времени роль немонетарных факторов сильно меняется. Это фактически отрицает универсальные эконометрические модели инфляции.

К сказанному можно добавить, что в современных теориях инфляции группа немонетарных факторов до сих пор не интегрирована в общую схему трансмиссионного механизма денежно–кредитной политики (ДКП). Данное обстоятельство на практике приводит к систематическому недоучету влияния немонетарных факторов и искажению представлений о сущности происходящих явлений в сфере товарно–денежного обращения. В силу высокой динамичности появления и исчезновения немонетарных факторов в качестве значимой составляющей инфляционного процесса есть основания полагать, что построить удовлетворительную общую теорию (модель), объединяющую монетарные и немонетарные факторы, в принципе невозможно. Такое положение дел требует разработки новых прикладных инструментов прогнозирования инфляции, носящих сугубо ситуативный характер.

Учитывая непостоянство действия монетарных и немонетарных факторов инфляции при ее прогнозировании необходимо придерживаться принципа «скользящего моделирования», когда новые данные (а, следовательно, новые тенденции и явления) требуют периодической перенастройки аналитического инструментария. Именно этот принцип закладывается нами в построение специального прогностического комплекса, позволяющего предсказывать инфляцию с учетом значимых событий немонетарной природы.

 

Перенос волатильности инфляции на краткосрочный период

 

Построенные модели (4) и (5) позволили вскрыть важный эффект, который в работе (Балацкий, Юревич, 2018) был назван фундаментальной проблемой атрибуции данных в макромоделях (ПАДМ). Данный эффект связан с тем обстоятельством, что среднемесячные величины ИПЦ в 2017–2018 гг. составляли порядка 0,2%. По отношению к этой микроскопической цифре любые ошибки оказываются не просто заметными, а недопустимо большими. Причем подавление инфляции почти до нулевого уровня автоматически приводит к «взрыву» относительной величины ошибки, так как ее величина начинает соотноситься почти с нулем и стремиться к бесконечности. Указанное глубинное противоречие между макроэкономическим характером конструируемых моделей и микроэкономической величиной моделируемой величины не может быть преодолено простым усовершенствованием эконометрической модели.

Работа с построенной моделью (5) позволяет установить еще одно важное свойство динамики инфляции: практически вся потенциальная волатильность явления уходит в область краткосрочных флуктуаций ИПЦ. Расчеты по модели (5) показывают, что среднегодовая ошибка моделируемой инфляции составляет 4,9%, тогда как среднемесячная ошибка аппроксимации достигает 24,6%. Это означает, что годовые фактические и модельные значения ИПЦ различаются минимально, тогда как их месячные значения различаются очень сильно. Тем самым волатильность процесса роста цен в России распределена преимущественно внутри анализируемых лет по месяцам, в связи с чем составление именно краткосрочных прогнозов представляет собой ключевую инструментальную проблему.

Данный вывод вытекает из модельных расчетов, однако он может быть понят и из совершенно других соображений. Например, годовая инфляция в России в настоящее время таргетируется Банком России, а это означает, что ее будущая величина не может сильно отклониться от объявленного таргета (целевого ориентира ИПЦ). Одновременно с этим все просчеты в одном месяце Банком России компенсируются усиленными регулятивными действиями в другой, что и приводит к большим перепадам в месячных значениях инфляции. В этом же направлении действуют различные эффекты инерции и отложенных реакций.

Рассмотренный эффект переноса волатильности инфляции внутрь года представляет собой самостоятельную проблему и требует использования адекватного модельного инструментария.

 

Аналитический интерфейс гибридной модели прогнозирования инфляции: сущность и функционал

 

В целях преодоления ПАДМ авторами в (Балацкий, Юревич, 2018) была осуществлена работа по построению гибридной модели краткосрочного прогнозирования инфляции, которая совмещала два класса стандартных моделей – эконометрическую модель и нейронную сеть. Причем на первом этапе производился отбор факторов, влияющих на рост индекса потребительских цен (ИПЦ) с последующим построением эконометрической зависимости, а на втором – осуществлялась калибровка полученной зависимости с помощью нейросети для повышения точности прогнозных оценок. Однако даже такая гибридная модель позволяет использовать ограниченный временной ряд за 2016–2017 гг. с помесячной разбивкой; построить более универсальную модель инфляции не удается.

Из сказанного вытекает также следующая принципиальная схема моделирования роста ИПЦ и работы с искомой моделью. Для рассматриваемой ретроспективы определяется период, в течение которого действует однонаправленный генеральный тренд в развитии инфляции; для этого периода определяются значимые факторы и строится эконометрическая зависимость с последующим добавлением к ней «фильтра» настройки на прогнозные значения в виде нейросети. Такая модель может использоваться некоторое время – до тех пор, пока не произойдет перелом идентифицированного тренда и перестройка режима формирования ИПЦ. В этом случае эконометрическая модель пересматривается – новый режим характеризуется другим набором значимых факторов инфляции монетарной и немонетарной природы. Однако описанный алгоритм работы с гибридной моделью, состоящей из аналитического ядра в форме нейронно–эконометрического конструкта, является слишком поверхностным и нуждается в своеобразном аналитическом интерфейсе, который будет задавать алгоритм проверки действующей модели на адекватность, ее адаптации и перестройки. При этом внедрение указанного интерфейса означает, что сам процесс прогнозирования инфляции превращается в сложную человеко–машинную процедуру. Таким образом, даже наличие аналитического ядра прогнозирования инфляции в форме гибридной модели требует разработки дополнительного аналитического интерфейса, который позволил бы встроить эту модель в реальность посредством учета происходящих непредвиденных событий. Используя данную терминологию, можно сказать, что следующая наша цель состоит в разработке аналитического интерфейса для гибридной модели краткосрочного прогнозирования инфляции.

Рассмотрим основные понятия конструируемой аналитической системы прогнозирования инфляции (АСПИ). Данная система предполагает лицо, принимающее решения (ЛПР), которое осуществляет работу с двумя основными элементами АСПИ – аналитическим ядром (АЯ), состоящим из эконометрической модели (ЭМ) и нейронной сети (НС), и аналитическим интерфейсом (АИ), включающим систему учета пороговых событий (СУПС) немонетарной природы и систему учета волатильности регрессоров (СУВР) построенной ЭМ. По результатам работы СУПС и СУВР происходит либо незначительная адаптация параметров гибридной модели АЯ, либо ее перестройка. На основе скорректированных элементов АЯ формируется прогноз инфляции на 2–3 месяца вперед. Алгоритм работы с АСПИ приведен на рис.1.

 

 

Рис.1. Логическая схема АСПИ

 

Особого комментария требует СУПС, которая позволяет осуществить постоянный мониторинг так называемых немонетарных пороговых событий (ПС). Под таковыми здесь и далее будем понимать такие экзогенные события немонетарной природы, которые происходят непредсказуемо, носят качественный характер и не могут быть выражены малым количеством простых параметров, но имеют существенное значение для формирования инфляционных процессов. Используя уже ставшую общепризнанной терминологию Н.Талеба, можно сказать, что ПС представляют собой набор потенциальных Черных Лебедей (Талеб, 2009). В случае появления ПС всё АЯ нуждается в корректировке. С геометрической точки зрения наступление ПС эквивалентно переходу на другую инфляционную кривую из семейства инфляционных кривых (Балацкий, Екимова, Зубец, 2018), что автоматически должно найти свое отражение в АЯ.

Блок СУВР предполагает учет допустимых границ изменения параметров ЭМ, которая в нашем случае имеет вид (5). В СУВР определяется, насколько допустимы/не допустимы изменения регрессоров P, r, Pot, ∆W, CSI и BCI. В случае слишком больших изменений, знаменующих «провал» соответствующего фактора, должна происходить коррекция механизма настройки НС.

После необходимой корректировки АЯ на основе оценки внешних событий в СУПС и СУВР формируется очередной краткосрочный прогноз. Таким образом, предлагаемая АСПИ представляет собой не просто вычислительную процедуру, а еще и систему количественного и качественного мониторинга внешних событий, способных «сломать» выявленные ретроспективные связи. Подобная система имеет как преимущества, так и недостатки по сравнению с традиционными моделями прогнозирования инфляции. Преимущество состоит в отходе от механистической процедуры прогнозирования и в высокой адаптивности АЯ, что призвано обеспечить более высокую точность и надежность прогнозов. Недостаток АСПИ заключается в том, что предлагаемая модель теряет свою самоценность и может быть эффективно использована только самим разработчиком; стороннему аналитику необходимо перенять не столько АЯ, сколько весь алгоритм работы АСПИ.

 

Идентификация немонетарных пороговых событий

 

Учитывая тот факт, что АЯ не может работать бесконечно долго без должной корректировки, необходимо определить, когда и в связи с чем следует пересматривать установленную базовую ЭМ и параметры НС. Для этого в свою очередь надо идентифицировать те ПС, которые способны принципиально нарушить установившийся инфляционный режим. Вне всякого сомнения, идеальным решением было бы задание пороговых значений неких ключевых индикаторов, превышение которых сигнализировало бы о необходимости пересмотра набора монетарных и немонетарных факторов АЯ, однако опыт показывает, что такие индикаторы найти проблематично, если не сказать невозможно. В связи с этим можно предложить «обходной» вариант, предусматривающий определение максимально полного списка ПС немонетарного характера с последующей экспертной оценкой степени их важности с точки зрения нарушения и дестабилизации инфляционных тенденций. Если означенные события наступают, то АЯ надо пересматривать; в противном случае прогнозирование ведется в упрощенном режиме по имеющейся гибридной модели с возможной незначительной коррекцией.

Для формирования списка немонетарных ПС авторами было опрошено 15 экспертов, занимающихся проблемами денежно-кредитного обращения и инфляции. В опросе приняли участие сотрудники Департамента экономической теории и Департамента финансовых рынков и банков Финансового университета при Правительстве Российской Федерации, а также специалисты из Южного федерального университета, Уральского федерального университета им. Б.Н.Ельцина и Центрального экономико–математического института РАН. Экспертам рассылалась анкета, в которой был перечислен перечень событий для оценки их степени важности по качественной шкале с тремя возможными исходами (табл.3). Вопрос звучал следующим образом: «Определите степень важности событий немонетарного характера с точки зрения влияния на инфляционные процессы. Укажите (по возможности) неучтенные события». Таким образом, анкета была открытой, что позволяло экспертам добавлять пропущенные разработчиками события; в ходе опроса было добавлено два дополнительных ПС.

В работе (Балацкий, Екимова, Зубец, 2018) была дана классификация немонетарных факторов инфляции и связанных с ними рисков, которая и была положена в основу разработанного списка ПС. В частности, все события условно делились на три группы – институциональные, технологические и поведенческие. В группу институциональных вошли три ПС: международные санкции (например, действующие санкции в отношении России или Ирана); внутренние экономические реформы (например, нынешняя пенсионная реформа в России, резкие налоговые изменения и т.п.); коррупция в сфере государственной власти (например, в сфере управления земельными фондами и жилым имуществом). В группу поведенческих вошли четыре ПС: финансовый (экономический) кризис (например, международный кризис 2008 года, затронувший и Россию); локальные военные конфликты за рубежом (например, участие России в боевых действиях в Сирии); локальные вооруженные конфликты внутри страны (например, политические волнения, массовые демонстрации и беспорядки, перевороты и революции); прямые (приграничные) политические конфликты (например, события на Украине – в Луганске и Донбассе). К разряду технологических отнесено пять ПС: природные и техногенные катастрофы (например, цунами и повреждение АЭС в Японии, смерч и наводнение в сентябре 2018 года в Крыму и т.п.); технологические прорывы/провалы (например, надвигающееся банкротство Tesla); влияние климатических/географических факторов (например, неурожай/небывалый урожай сельскохозяйственной продукции); расширение ресурсной базы (например, открытие новых природных месторождений – нефти, газа, металлов, золота, алмазов и т.п.); появление новых рынков поставок/сбыта (например, производство гаджетов компании Huawei, составившей конкуренцию Apple и Samsung).

Каждое ПС из табл.3 получало окончательно один из трех статусов – очень важное (А), важное (В) или не очень важное (С). Для этого использовалась следующая процедура: анализировались ответы экспертов и если не менее 2/3 экспертов указывали одинаковый статус, то он и брался в качестве итогового; в противном случае, когда наблюдалось сильное рассогласование оценок, использовался «принцип сложения крайних оценок» (наличие двух оценок со статусами А и С приравнивалось к оценке со статусом В), позволяющий повысить конкордацию ответов. При этом каждое ПС получало условное цифровое выражение в форме индекса важности I, измеряемого в баллах в зависимости от его итогового статуса: IA=100; IB=70; IC=35 (табл.3).

Составленный список табл.3 и введенный индекс важности позволяют предложить максимально простой алгоритм «включения» процедуры пересмотра АЯ АСПИ. Для этого можно воспользоваться следующим правилом:

 

                  (6)

 

 

 

где J – индекс совокупного инфляционного потенциала зафиксированных пороговых событий.

 

Таблица 3

Сравнительная важность идентифицированных ПС

Событие

Оценка

Индекс важности (I)

Очень важно (A)

Важно (B)

Не очень важно (C)

Институциональные события

1

Международные санкции

+

 

 

100

2

Внутренние экономические

 

+

 

70

3

Коррупция в сфере государственной власти

 

 

+

35

Поведенческие события

4

Финансовый (экономический) кризис

+

 

 

100

5

Локальные военные конфликты за рубежом

 

 

+

35

6

Локальные вооруженные конфликты внутри страны

 

+

 

70

7

Прямые приграничные политические конфликты

 

+

 

70

Технологические события

8

Природные и техногенные катастрофы

 

 

+

35

9

Технологические прорывы/провалы

 

 

+

35

10

Влияние климатических/ географических факторов

 

 

+

35

11

Расширение ресурсной базы

 

+

 

70

12

Появление новых рынков сбыта/поставок

 

+

 

70

 

Если мониторинг ПС позволяет зафиксировать наступление нескольких событий, то для вычисления их совокупного инфляционного потенциала достаточно сложить индексы важности соответствующих событий, т.е.

 

   

                                                                                                                                                                              (7)

 

 

 

где Ik – индекс важности k–го зафиксированного ПС; число зафиксированных ПС равно K.

Правило (6) дает довольно простой и функциональный алгоритм понимания того, когда можно ожидать критической ситуации для построенной гибридной модели. Здесь можно указать следующие варианты развития событий: наступление одного события типа А; наступление одного события типа В и одного события типа С; наступление трех событий типа С. Во всех трех случаях потенциал значимости экзогенных шоков таков, что построенная гибридная модель нуждается в пересмотре; во всех остальных случаях АЯ АСПИ либо остается без изменений, либо незначительно корректируется.

Разумеется, нетривиальной задачей является определение наступления какого–либо конкретного события из списка потенциальных ПС. Однако здесь можно исходить из того факта, что сигналом к фиксации ПС является сам факт осведомленности экспертов о таковом, т.е. широкий общественный резонанс в СМИ является вполне достаточным условием для перевода искомого события из разряда «потенциальных» в заряд «активных» ПС. Для уменьшения степени субъективности в восприятии ПС экспертами можно предложить процедуру согласования мнений среди нескольких специалистов с формированием консенсусного решения.

Предложенная процедура идентификации немонетарных ПС на основе индексов значимости носит самый общий характер и может быть скорректирована при возникновении обстоятельств, требующих этого. Аналогичным образом следует воспринимать конкретные количественные оценки ПС, полученные в ходе экспертных опросов. В данном случае речь идет лишь о пилотном проекте, который может быть усилен и модифицирован в зависимости от практических нужд.

 

Определение пороговой волатильности переменных гибридной модели

 

В случае отсутствия «активных» немонетарных ПС модель прогнозирования инфляции принципиально не изменяется, но может немного корректироваться или адаптироваться. Для осуществления процедуры коррекции можно предложить следующий алгоритм.

Прогнозные расчеты осуществляются на основе отчетных данных за последние два месяца с учетом временного лага. В связи с этим при обновлении временного ряда регрессоров модели (5) в некий последний момент (месяц) t следует осуществить проверку фактических значений регрессоров на попадание в интервал пороговых значений. Если фактическое значение выходит за указанный интервал, то можно говорить о зафиксированной слишком высокой волатильности регрессора и необходимости коррекции процедуры расчета на последующий месяц с учетом модельного лага; в противном случае модель будет генерировать слишком явные флуктуации в динамике ИПЦ при наличии высоковолатильных регрессоров, что негативно скажется на точности прогнозов. Такой эффект возникает из-за того, что при построении модели использовались ограниченные диапазоны входных переменных, а на будущие периоды модель не пересчитывается. В связи с этим новые факты следует учитывать в рамках старой модели. Вместе с тем возникновение повышенной волатильности регрессоров еще не означает, что старая модель инфляции «сломалась» и ее надо пересматривать, ибо сама волатильность регрессора может иметь случайную природу и не вести к системным искажениям прогнозов. Чтобы сгладить случайный шок следует применить несущественную корректирующую процедуру.

Пороговые значения – левое и правое – регрессоров вычисляются на основе отчетных данных путем определения соответственно минимальных и максимальных значений, которые задают диапазон изменений регрессоров в ретроспективе. Если все регрессоры не выходят за допустимые интервалы, то прогнозирование ведется на основе старой НС; если зафиксирован выход за пороговые интервалы, то НС обновляется с учетом новых данных, а прогноз ведется на основе обновленной НС. С помощью этой простой процедуры обеспечивается учет зафиксированного роста волатильности для следующего (прогнозного) периода времени.

Для состава переменных модели (5) пороговые значения регрессоров на основе данных за 2016–2017 гг. приведены в табл.4.

Надо признать, что предлагаемый алгоритм задает самую простую процедуру коррекции прогнозных данных с учетом обнаруженного роста волатильности объясняющих переменных. Главное в данном случае – оперативным образом учесть рост волатильности монетарных и немонетарных факторов инфляции без пересмотра исходной гибридной модели.

 

Таблица 4

Пороговые значения регрессоров

Переменная

Левое пороговое значение

Правое пороговое значение

r

94

100

Pot

73

130

∆W

74

113

CSI

91

107

BCI

–7

2

 

Описанная процедура ставит вопрос о том, как долго может накапливаться эффект волатильности без последующей перестройки гибридной модели. На наш взгляд, ответ здесь может быть дан только сугубо эвристический, состоящий из двух взаимосвязанных правил. Первое правило: если на протяжении полугода хотя бы для одного регрессора повышенная волатильность, т.е. превышение фактическими значениями регрессора его пороговых значений, будет повторяться устойчиво каждый месяц, то это будет свидетельствовать о том, что в экономике складывается новый тренд и модель нуждается в обновлении. Второе правило: если на протяжении трех месяцев повышенная волатильность наблюдается для 2–3 регрессоров и более, то это означает начало нового тренда в монетарной сфере и модель нуждается в обновлении. На каждом шаге осуществления прогнозных расчетов проверяются оба правила на соответствие. Если хотя бы одно из них нарушается, то модель следует перестраивать; в противном случае, когда волатильность будет проявляться нерегулярно и бессистемно при удовлетворительной точности прогнозов, аналитическая модель может использоваться и дальше.

 

Новая философия моделирования

 

Рассмотренная выше комплексная АСПИ отражает современные потребности в разработке нового инструментария моделирования экономических явлений. В основе такой потребности лежит новая философия самих экономических феноменов, в том числе процесса инфляции. Раскроем коротко суть этой новой философии.

Раньше считалось, что существует ограниченный набор переменных, которые определяют уровень инфляции в стране. Теперь совершенно ясно, что эта схема в общем случае неверна – нет конечного и постоянного набора факторов инфляции. Это означает, что на разных временных интервалах действует свой набор факторов и соответствующая ему формальная модель инфляции. И каждый раз старая модель за предыдущий период перепроверяется на новых данных. Если фиксируются качественные сдвиги в явлении, то следует пересматривать весь набор факторов и связь между этими факторами и ИПЦ.

Следует подчеркнуть, что появление различных немонетарных факторов инфляции часто сопряжено с полным изменением всего макроэкономического климата в стране, что радикально меняет модель инфляции и ее количественные характеристики. Например, обвал валютного курса может понизить душевой доход до такой степени, что старая инфляционная кривая уже не будет действовать, а сам процесс скачкообразно перейдет на другую инфляционную кривую с другим минимально возможным темпом инфляции. Это означает, что никакая политика таргетирования инфляции не позволит удержать прежние темпы. Иными словами, новые условия порождают новый уровень минимальной инфляции, которые способен обеспечить центральный банк страны; более низкие темпы роста цен будут находиться за пределами компетенции монетарного регулятора. Таким образом, меры мегарегулятора выступают в качестве необходимых условий монетарной стабильности, а роль достаточных условий играют фундаментальные немонетарные факторы, которые лежат за пределами компетенции не только самого центрального банка, но и других органов регулирования.

Можно сказать, что немонетарные факторы теперь уже не являются фоном, на котором центральный банк проявлял свою активность, а, наоборот, превратились в некую детерминанту, которая позволяет или не позволяет монетарному ведомству добиваться своих целей. Тем самым можно констатировать рокировку значимости двух групп факторов – монетарных и немонетарных.

Нельзя не отметить и тот факт, что наши рассуждения верны для краткосрочного аспекта (помесячной динамики), тогда в долгосрочном периоде (годовые значения) влияние немонетарных факторов может быть более скромным. Этот вопрос нуждается в дополнительной проверке, однако вряд ли картина в краткосрочной и долгосрочной динамике будет принципиально различной.

Таким образом, простые и детерминированные модели формирования инфляции уже не могут претендовать на адекватное объяснение действительности. Нынешний чрезвычайно сложный экономический мир порождает и более сложные представления о феномене инфляции, что и отражается в предложенной АСПИ.

 

Заключение

 

Выше было показано, что попытки прогнозирования инфляции на основе моно-инструментального подхода сегодня уже не могут обеспечить удовлетворительных результатов из-за произошедших фундаментальных изменений в самом механизме формирования инфляции. Новый тренд состоит в росте влияния на инфляцию со стороны немонетарных факторов, состав и число которых не лимитированы и в разные периоды времени меняются. Для того, чтобы учесть это обстоятельство, в статье предлагается более комплексная процедура прогнозирования, включающая в себя не только гибридное аналитическое ядро из последовательно сопряженных эконометрической модели и нейронной сети, но и аналитический интерфейс, позволяющий учесть экзогенные пороговые события немонетарной природы, которые способны нарушить сложившиеся связи между экономическими переменными.

Такой подход можно охарактеризовать как поли–инструментальный, а потребность в нем определяется усложнившимся механизмом роста цен в экономике.

Предложенный аналитический комплекс краткосрочного прогнозирования инфляции позволяет, в частности, рекомендовать его Банку России в качестве информационно–аналитического инструмента оперативного предвидения ежемесячных изменений индекса потребительских цен (ИПЦ), а также для систематического мониторинга феномена инфляции и определения его природы с учетом действия совокупности немонетарных факторов для последующей выработки более взвешенной и эффективной монетарной политики.

Внедрение Банком России предложенного модельного модуля прогнозирования инфляции в аналитическую практику может быть осуществлено одним из двух принципиально различных способов – интернальным или экстернальным. Разница между первым и вторым подходами состоит в том, что интернальный режим направлен на проведение указанной учетной, аналитической и прогнозной работы в рамках самого мегарегулятора – в Банке России, тогда как экстернальный режим предполагает проведение этой работы сторонней организацией, обладающей достаточно высокой репутацией и аналитическим потенциалом.

 

СПИСОК ЛИТЕРАТУРЫ

 

Андреев А. (2016). Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Серия докладов об экономических исследованиях, №14. (http://www.cbr.ru/Content/Document/File/16726/wps_14.pdf – Дата обращения: 06.11.2018).

Балацкий Е.В., Екимова Н. А., Юревич М.А. (2018). Немонетарные факторы в трансмиссионном механизме денежно-кредитной политики: пересмотр стратегии регулирования инфляцией // Управленец, том 9, № 5, с. 26–39.

Балацкий Е.В., Екимова Н.А., Зубец А.Н. (2018). Инфляционные риски, порождаемые немонетарными факторами: типология, механизмы возникновения, оценка // Вопросы регулирования экономики, том 9, № 3, с. 6–21.

Балацкий Е.В., Юревич М.А. (2018). Использование нейронных сетей для прогнозирования инфляции: новые возможности // Вестник УрФУ. Серия Экономика, том 17, № 5, с. 823–838, DOI: 10.15826/vestnik.2018.17.5.037.

Васильев А.А. (2014). Генезис гибридных моделей прогнозирования на основе объединения прогнозов // Вестник Тверского государственного университета. Серия: Экономика и управление, № 1, с. 316–331.

Коваленко А.В. и Уртенов М.Х. (2010). Нейросетевое моделирование инфляции в России // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, № 61, с. 44–63.

Митрафанов А.Ю. и Русановский А.В. (2008). Прогнозирование структуры занятости на основе модели марковской векторной авторегрессии // Вестник Саратовского государственного социальноэкономического университета, № 3(22), с. 25–29.

Степаненко Д.Б. (2018). Разработка гибридной модели прогнозирования временных рядов на основе алгоритма случайного леса и модели ARIMA // Научнорактический электронный журнал «Аллея Науки», № 4(20). (https://www.alley-science.ru/domains_data/files/052April18/RAZRABOTKA GIBRIDNOY MODELI PROGNOZIROVANIYa VREMENNYH RYaDOV NA OSNOVE ALGORITMA SLUChAYNOGO LESA I MODELI ARIMA.pdf – Дата обращения: 06.11.2018).

Талеб Н.Н. (2009). Черный лебедь. Под знаком непредсказуемости. М.: КоЛибри. 528 с.

Турунцева М.Ю., Астафьева Е. В. и Петренко В. Д. (2014). Прогнозирование инфляции: эмпирика и реальность // Экономика. Налоги. Право, № 1, с. 53– 57.

Шичкин А.В., Буевич А.Г., Сергеев А.П., Баглаева Е.М. и Субботина И.Е. (2018). Прогнозирование содержания аномально распределенного в почве хрома гибридными моделями на основе искусственных нейронный сетей // Геоэкология. Инженерная геология. Гидрогеология. Геокриология, № 3, с. 86–96.

Щелкалин В.Н. (2014). Гибридные модели и методы прогнозирования временных рядов на основе методов «Гусеница» –SSA и Бокса–Дженкинса // ВосточноЕвропейский журнал передовых технологий, том 5, № 4(71), с. 43–62.

Akdogan K., Baser S., Chadwick M.G. and et al. (2013). Short–term inflation forecasting models for Turkey and a forecast combination analysis // Economic Modelling, vol. 33, pp. 312–325, DOI: 10.1016/j.econmod.2013.04.001.

Bates J.M. and Granger C.W.J. (1969). The Combination of Forecasts // Journal of the Operational Research Society, vol. 20, no. 4, pp. 451–468.

Bozkurt O.O., Biricik G. and Taysi Z.C. (2017). Artificial neural network and SARIMA based models for power load forecasting in Turkish electricity market // PLOS ONE, 12(4), DOI: 10.1371/journal.pone.0175915.

Chai Y., Jia L. and Zhang Z. (2009). Mamdani Model based Adaptive Neural Fuzzy Inference System and its Application // International Journal of Computer, Electrical, Automation, Control and Information Engineering, vol. 3, no. 3, pp. 663–670.

Golyandina N., Nekrutkin V. and Zhigljavsky A. (2001). Analysis of time series structure: SSA and related techniques. New York: Chapman and Hall/CRC. P. 320. DOI: 10.1201/9781420035841.

He Y., Zhu Y. and Duan D. (2006). Research on Hybrid ARIMA and Support Vector Machine Model in Short Term Load Forecasting / In Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications. Chine, pp. 1–5, DOI: 10.1109/isda.2006.229.

Hou Z., Makarov Y.V., Samaan N.A. and Etingov P.V. (2013). Standardized Software for Wind Load Forecast Error Analyses and Predictions Based on Wavelet-ARIMA Models – Applications at Multiple Geographically Distributed Wind Farms / In Hawaii International Conference on System Sciences. USA, pp. 5005–5011, DOI: 10.1109/hicss.2013.495.

Kanevski M., Pozdnoukhov A. and Timonin V. (2009). Machine Learning for Spatial Environmental Data. Theory, Applications and Software. Switzerland: EPFL Press. P. 380.

Lakes T., Muller D. and Kruger C. (2009). Cropland change in southern Romania: a comparison of logistic regressions and artificial neural networks // Landscape Ecology, № 24(9), pp. 1195–1206, DOI: 10.1007/s10980-009-9404-2.

Linh B. N., Amy A. and Doug H. (2012). An Empirical Study on Forecasting using Decomposed Arrival Data of an Enterprise Computing System / In 9th International Conference on Information Technology- New Generations. USA, pp. 756–763, DOI: 10.1109/itng.2012.36.

Marques C.A. F., Ferreira J.A., Rocha A. and Dias J.M. (2006). Singular spectrum analysis and forecasting of hydrological time series // Physics and Chemistry of the Earth Parts A/B/C, vol. 31, no. 18, pp. 1172-1179, DOI: 10.1016/j.pce.2006.02.061.

Newbold P. and Granger C.W. J. (1974). Experience with Forecasting Univariate Time Series and Combination of Forecasts // Journal of Royal Statistical Society, vol. 137, no. 2, pp. 131–164.

Sivapragasam C., Liong S.Y. and Pasha M.F. K. (2001). Rainfall and Runoff Forecasting with SSA-SVM Approach // Journal of Hydroinformatics, vol. 3, no. 3, pp. 141–152.

Tian F.P. and Ma L.L. (2010). Forecast of Cerebral Infraction Incidence Rate Based on BP Neural Network and ARIMA Combined Model / In International Symposium on Intelligence Information Processing and Trusted Computing. Chine, pp. 216–219, DOI: 10.1109/iptc.2010.7.

Wang B., Hao W.N., Chen G., He D.C. and Feng B.A (2013). Wavelet Neural Network Forecasting Model Based on ARIMA // Applied Mechanics and Materials, vols. 347-350, pp. 3013–3018.

Xuemei L.A, Lixing D., Ming S., Gang X. and Jibin L. (2009). Novel Air-conditioning Load Prediction Based on ARIMA and BPNN Model / In Asia-Pacific Conference on Information Processing. Chine, pp. 51–54, DOI: 10.1109/apcip.2009.21.

Zhang P.G. (2003). Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model // Neurocomputing, vol. 50, no. 17, pp. 159–175.

Zhang Q., Wang B.-D., He B., Peng Y. and Ren M.-L. (2011). Singular Spectrum Analysis and ARIMA Hybrid Model for Annual Runoff Forecasting // Water Resources Management, vol. 25, issue 11, pp. 2683–2703, DOI: 10.1007/s11269-011-9833-y.

 

 

 

 

Официальная ссылка на статью:

 

Балацкий Е.В., Екимова Н.А. Учет пороговых немонетарных событий в гибридных моделях инфляции// «Вопросы регулирования экономики», Т.10, №1, 2019. С.6–24.

56
4
Добавить комментарий:
Ваше имя:
Отправить комментарий
Публикации
В 2010 году в России была издана на русском языке книга Стивена Льюкса «Власть: Радикальный взгляд». Хотя в международном политологическом дискурсе данная монография давно стала классической, в России ее идеи до сих пор не получили широкого распространения. В связи с этим в статье сделана попытка не только дать краткий дайджест идей американского ученого, но и рассмотреть ряд современных примеров, которые могут быть плодотворно проинтерпретированы в терминах концепции Льюкса. Помимо этого, делается попытка осмыслить некоторые следствия усиления феномена власти в информационном обществе, где возникают широкие возможности для манипулирования общественным мнением. Для этого проводятся параллели между концепцией трех измерений власти С.Льюкса, доктриной имплозии Ж.Бодрийяра и теорией дефицита внимания Д.Дзоло.
В статье показано, что за последние десятилетия феномен инфляции претерпел большие изменения, превратившись из монетарного явления преимущественно в немонетарное. Прикладные расчеты полностью подтверждают этот вывод применительно к России. Сильная зависимость инфляции от огромного числа немонетарных факторов требует разработки новых подходов к ее моделированию и прогнозированию. Новая доктрина предполагает переход от моно–инструментальных модельных комплексов к поли-инструментальным аналитическим системам. В рамках нового аналитического тренда авторы предлагают специализированную систему прогнозирования инфляции, включающую лицо, принимающее решения, аналитическое ядро, состоящее из сопряженных между собой эконометрической модели и нейронной сети, и аналитического интерфейса, включающего систему учета пороговых событий немонетарной природы и систему учета волатильности факторов инфляции.
В статье рассматриваются особенности четырех методов измерения и оценки инфляционных ожиданий: социологические опросы; биржевые индикаторы; эконометрические (математические) модели; методы исследования больших данных (BD–технологии). Отмечается, что сосуществование четырех групп методов является следствием двух тенденций последних десятилетий: наличием двух линий развития экономического инструментария, связанными с разработкой и усовершенствованием традиционных методов и с созданием совершенно новых аналитических подходов по обработке больших данных («Big Data»); превращением экономики в инженерную (техническую) науку с присущей ей проблемой инструментального плюрализма. Аргументируется тезис о грядущей рокировке популярности четырех типов методов оценки инфляционных ожиданий.
Яндекс.Метрика



Loading...