Прогнозирование инфляции: практика использования синтетических процедур


https://doi.org/10.26794/2220-6469-2018-12-4-20-31

Полный текст:


Аннотация

В статье представлена общая типология моделей прогнозирования инфляции. Подробно рассмотрены однофакторные модели, включая модели случайного блуждания, прямой авторегрессии, рекурсивной авторегрессии, стохастической волатильности с ненаблюдаемой составляющей и интегрированные модели авторегрессии со скользящей средней. Помимо этого, обсуждаются возможности различных модификаций моделей на основе кривой Филлипса (включая «треугольную модель»), векторных авторегрессионных моделей (включая факторно-расширенную модель векторной авторегрессии Б. Бернанке), динамических моделей общего равновесия и нейронных сетей. Рассмотрены сравнительные преимущества указанных классов моделей, выявлен новый тренд в прогнозировании инфляции, состоящий во внедрении синтетических процедур учета частных прогнозов, полученных на основе разных типов моделей. Сделан важный вывод о превосходстве экспертных оценок по сравнению со всеми имеющимися моделями. Важным аспектом сравнения разных классов моделей является зависимость успешности их применения от таких факторов, как величина лагов для объясняющих регрессоров, величина горизонта планирования, тип экономики моделируемой страны и т. д. Авторами показано, что в условиях большого числа альтернативных способов моделирования инфляции выбор наиболее адекватного подхода в конкретных условиях (например, для российской экономики нынешнего периода времени) представляет собой нетривиальную процедуру. Опираясь на данный вывод, авторы обосновывают тезис, согласно которому большие прогностические возможности заложены в смешанных стратегиях использования разных методических подходов, когда на разных стадиях моделирования применяется разный модельный инструментарий, в частности многофакторная эконометрическая модель и искусственная нейронная сеть.


Об авторах

Е. В. Балацкий
Финансовый университет; Центральный экономико-математический институт РАН
Россия

доктор экономических наук, профессор, директор Центра макроэкономических исследований; главный научный сотрудник

Москва



М. А. Юревич
Финансовый университет
Россия

младший научный сотрудник Центра макроэкономических исследований

Москва



Список литературы

1. Lahiri K., Zhao Y. Determinants of consumer sentiment over business cycles: Evidence from the US surveys of consumers. Journal of Business Cycle Research. 2016;12(2):187–215.

2. Behravesh N. Forecasting inflation: does the method make a difference. Business Review. 1976.September:9–17.

3. Faust J., Wright J. H. Forecasting inflation. Handbook of economic forecasting. 2013;2:2–56.

4. Wright J. H. Forecasting US inflation by Bayesian model averaging. Journal of Forecasting. 2009;28(2):131–144.

5. Dou W., Lo A., Muley A., Uhlig H. Macroeconomic models for monetary policy: a critical review from a finance perspective. 2017. SSRN working paper. URL: https://ssrn.com/abstract=2899842.

6. Hjelm G. et al. Appropriate macroeconomic model support for the ministry of finance and the national institute of economic research: a pilot study. 2015. National Institute of Economic Research working paper. URL: https://ideas.repec.org/p/hhs/nierwp/0137.html.

7. Андреев А. Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Банк России. Серия докладов об экономических исследованиях. 2016;(14):2–11.

8. Турунцева М. Ю., Астафьева Е. В., Петренко В. Д. Прогнозирование инфляции: эмпирика и реальность. Экономика. Налоги. Право. 2014;(1):53–57.

9. Atkeson A. et al. Are Phillips curves useful for forecasting inflation? Federal Reserve Bank of Minneapolis Quarterly Review. 2001;25(1):2–11.

10. Stock J. H., Watson M. W. Why has US inflation become harder to forecast? Journal of Money, Credit and banking. 2007;39:3–33.

11. Gordon R. Inflation, Flexible Exchange Rates, and the Natural Rate of Unemployment. In Workers, jobs and inflation. Baily M., ed. Washington: Brookings; 1982:88–152.

12. Gordon R. U. S. Inflation, labor’s share and the natural rate of unemployment. In Economics of Wage Determination. Konig H., еd. Berlin: Springer-Verlag; 1990. 373 p.

13. Ball L., Mankiw N. G. The NAIRU in theory and practice. Journal of Economic Perspectives. 2002:16(4):115–136.

14. Calvo G. A. Staggered prices in a utility-maximizing framework. Journal of Monetary Economics. 1983;12(3):383–398.

15. Razin A., Yuen C. W. The ‘New Keynesian’ Phillips curve: closed economy versus open economy. Economics Letters. 2002:75(1):1–9.

16. Batini N., Jackson B., Nickell S. An open-economy new Keynesian Phillips curve for the UK. Journal of Monetary Economics. 2005;52(6):1061–1071.

17. Rumler F. Estimates of the open economy New Keynesian Phillips curve for euro area countries. Open Economies Review. 2007;18(4):427–451.

18. Мухин Д. А. Краткосрочная кривая Филлипса и инфляционные процессы в России. Экономика и математические методы. 2010;46(2):118–130.

19. Сергушкина Л., Кривая А. Филлипса в переходной экономике России. Научная сессия МИФИ: сборник научных трудов. 2006;(6):168–169.

20. Гафаров Б. Н. Кривая Филлипса и становление рынка труда в России. Экономический журнал Высшей школы экономики. 2011;15(2):155–176.

21. Соколова А. В. Инфляционные ожидания и кривая Филлипса: оценка на российских данных. Деньги и кредит. 2014;(11):61–67.

22. The Economist. The Phillips curve may be broken for good. 2017. URL: https://www.economist.com/graphicdetail/2017/11/01/the-phillips-curve-may-be-broken-for-good.

23. Sims C. A. Interpreting the macroeconomic time series facts: The effects of monetary policy. European Economic Review. 1992;36(5):975–1000.

24. Bernanke B. S., Boivin J., Eliasz P. Measuring the effects of monetary policy: a factor-augmented vector autoregressive (FAVAR) approach. The Quarterly Journal of Economics.2005;120(1):387–422.

25. Dees S. et al. Exploring the international linkages of the euro area: А global VAR analysis. Journal of Applied Econometrics. 2007;22(1):1–38.

26. Шестаков Д. Е. Канал издержек денежно-кредитной трансмиссии в российской экономике. Деньги и кредит. 2017;(9):38–47.

27. Моисеев С. Р. Аналитика центральных банков: обзор эконометрических моделей. Финансы и кредит. 2000;(11):119–124.

28. Fuhrer J. C. Inflation/output variance trade-offs and optimal monetary policy. Journal of Money, Credit, and Banking. 1997;29(2):214–234.

29. Del Negro M., Schorfheide F. Priors from general equilibrium models for VARs. International Economic Review. 2004;45(2):643–673.

30. Smets F., Wouters R. An estimated dynamic stochastic general equilibrium model of the euro area. Journal of the European Economic Association. 2003;1(5):1123–1175.

31. Smets F., Wouters R. Shocks and frictions in US business cycles: A Bayesian DSGE approach. American Economic Review. 2007;97(3):586–606.

32. Edge R. M., Kiley M. T., Laforte J. P. Natural rate measures in an estimated DSGE model of the US economy. Journal of Economic Dynamics and Control. 2008;32(8):2512–2535.

33. Wolters M. H. Evaluating point and density forecasts of DSGE models. Journal of Applied Econometrics. 2015:30(1):74–96.

34. Christiano L. J., Eichenbaum M. S., Trabandt M. On DSGE models. Journal of Economic Perspectives. 2018;32(3):113–140.

35. Kohzadi N., Boyd M. S. Testing for chaos and nonlinear dynamics in cattle prices. Canadian Journal of Agricultural Economics. 1995;43(3):475–484.

36. Aiken M. Using a neural network to forecast inflation. Industrial Management & Data Systems. 1999;99(7):296–301.

37. Binner J. M. et al. A comparison of linear forecasting models and neural networks: Аn application to Euro inflation and Euro Divisia. Applied Economics. 2005;37(6):665–680.

38. Choudhary M. A., Haider A. Neural network models for inflation forecasting: an appraisal. Applied Economics. 2012;44(20):2631–2635.

39. Thakur G. S.M., Bhattacharyya R., Mondal S. S. Artificial neural network based model for forecasting of inflation in India. Fuzzy Information and Engineering. 2016;8(1):87–100.

40. Haider A., Hanif M. N. Inflation forecasting in Pakistan using artificial neural networks. Pakistan Economic and Social Review. 2009:123–138.

41. Catik A. N., Karaçuka M.A comparative analysis of alternative univariate time series models in forecasting Turkish inflation. Journal of Business Economics and Management. 2012;13(2):275–293.

42. Зарова Е. В., Заров И. К. Нейронные сети как средство моделирования и прогнозирования инфляционных процессов. Вестник Самарского государственного технического университета. Серия Физико-математические науки. 2005;(34):182–186.

43. Коваленко А. В., Уртенов М. Х. Нейросетевое моделирование инфляции в России. Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2010;(61):278–297.

44. Огородов А. П. Учет влияния ряда факторов при прогнозировании инфляционных процессов на базе нейронных сетей. Электроника и информационные технологии. 2011;(1). URL: https://fetmag.mrsu.ru/2011-1/pdf/Forecasting_Of_Inflationary.pdf.

45. Горшкова Т., Синельникова Е. Сравнительный анализ прогнозных свойств моделей российской инфляции. Научный вестник ИЭП им. Гайдара. 2016;(6):34–41.

46. Faust J., Wright J. H. Comparing Greenbook and reduced form forecasts using a large real-time dataset. Journal of Business & Economic Statistics. 2009;27(4):468–479.

47. Duncan R., Martínez-García E. New Perspectives on Forecasting Inflation in Emerging Market Economies: An Empirical Assessment. Federal Reserve Bank of Dallas. Globalization and Monetary Policy Institute. Working Paper No. 338. 2018. URL: https://www.dallasfed.org/~/media/documents/institute/wpapers/2018/0338.pdf.


Дополнительные файлы

Для цитирования: Балацкий Е.В., Юревич М.А. Прогнозирование инфляции: практика использования синтетических процедур. Мир новой экономики. 2018;12(4):20-31. https://doi.org/10.26794/2220-6469-2018-12-4-20-31

For citation: Balatskiy E.V., Yurevich M.A. Inflation Forecasting: The Practice of Using Synthetic Procedures. The world of new economy. 2018;12(4):20-31. (In Russ.) https://doi.org/10.26794/2220-6469-2018-12-4-20-31

Просмотров: 46

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2220-6469 (Print)
ISSN 2220-7872 (Online)