В статье представлен обзор последних достижений нейронных сетей применительно к задаче прогнозирования инфляции. Показано, что во многих случаях точность прогнозов, полученных с помощью нейросетевых методов, оказывается выше точности прогнозов, полученных традиционными методами экономической науки. Поднимается вопрос о глубинном противоречии между традиционным эконометрическим инструментарием и нейронными сетями, так как первые проигрывают вторым по точности расчетов, а вторые по сравнению с первыми не имеют под собой никакой осмысленной теории. Вместе с тем авторы показывают, что указанное противоречие может быть снято путем объединения двух видов прогнозного инструментария. В развитие данного тезиса в статье предложена двухшаговая модель краткосрочного прогнозирования инфляции. Сущность авторского подхода состоит в построении малоразмерной (пятифакторной) эконометрической модели инфляции, которая обладает хорошими статистическими характеристиками и дает адекватное теоретическое объяснение моделируемому процессу, однако при этом не позволяет прогнозировать месячные темпы инфляции с высокой точностью. Авторами показано, что данная проблема является типичной для современной макроэкономики и представляет собой частное проявление так называемой фундаментальной проблемы атрибуции данных в макромоделях. В статье показано, что данная проблема не имеет решения в рамках традиционных макроэкономических моделей. В связи с этим для повышения точности прогнозов был использован своеобразный вычислительный фильтр в виде нейронной сети, обучение которой позволило для отобранных факторов инфляции провести калибровку расчетов и довести их качество до необходимого уровня. Показаны преимущества предложенной схемы последовательного сопряжения эконометрической модели и нейронной сети.