Аналитики ЕФСР оценили эффективность алгоритмов машинного обучения при краткосрочном прогнозировании роста ВВП
26 декабря 2024 года. Одной из ключевых проблем макроэкономического прогнозирования остается отставание статистических данных от реальных процессов в экономике — часть показателей доступна только на квартальной, а не месячной основе, но и такие данные зачастую публикуются с задержкой. При этом для анализа и прогнозирования макроэкономической динамики используются, как правило, квартальные структурные или полуструктурные модели, которые не всегда дают качественную оценку тенденций в краткосрочной перспективе (на горизонте одного-двух кварталов).
Как альтернативу экономисты используют методы (алгоритмы) машинного обучения, способные работать с большими объемами данных и самостоятельно учитывать взаимосвязи между параметрами и их динамику. Такие инструменты, однако, обладают и рядом недостатков: для обучения моделей требуются значительные вычислительные ресурсы, а из-за своей гибкости они могут легко «переобучаться», что повышает вероятность возникновения ошибок на тестовой выборке. При использовании некоторых алгоритмов также возникает проблема «черного ящика» — сложность вычислительных процессов затрудняет интерпретацию полученных результатов.
Чтобы оценить применимость и эффективность алгоритмов машинного обучения при краткосрочном прогнозировании экономисты Евразийского фонда стабилизации и развития (ЕФСР) провели эксперимент по сравнению традиционных эконометрических моделей и инструментов машинного обучения при оценке темпов роста реального ВВП. Его условия и результаты описаны в рабочем документе «Алгоритмы машинного обучения для краткосрочного прогнозирования темпов прироста реального ВВП».
Для исследования использовалась выборка квартальных данных по Беларуси с 2004 по 2024 год. Все значения разделили на две части: обучающую (первые 70% наблюдений) и тестируемую (последние 30% наблюдений). Для оценивания и прогнозирования были выбраны показатели реального, внешнего и финансового секторов экономики республики.
Далее к этому массиву данных применялись как традиционные эконометрические модели для краткосрочного прогнозирования (AR, VAR и BVAR), так и методы и алгоритмы машинного обучения (Ridge- и LASSO-регрессии, Elastic Net, Boosting, Bagging, Random Forest и Neural Networks). Для расчетов по всем алгоритмам машинного обучения использовался язык программирования Python.
По качеству прогнозов почти все методы и алгоритмы машинного обучения оказались эффективнее традиционных моделей (лучшие результаты у таких инструментов, как LASSO-регрессия, Random Forest и Neural Networks). Эффективность моделей зависела от количества учитываемых параметров (глубины дерева решений, числа скрытых слоев), а точность измерялась по значениям отклонений (на текущей выборке самой точной признана LASSO-регрессия).
По итогам эксперимента авторы пришли к выводу, что методы и алгоритмы машинного обучения можно применять и в качестве альтернативы, и как дополнение к традиционным моделям прогнозирования — для повышения точности оценок будущего роста ВВП.
Важным отличием стало и отсутствие типичного для обычных эконометрических моделей лагового сдвига: в частности, из результатов исследования видно, что пики и спады темпов прироста реального ВВП наиболее точно прогнозируются с помощью методов регуляризации (Ridge, LASSO, Elastic Net) и Neural Networks. Это может объясняться тем, что традиционные модели ориентированы на лаговые значения, а прогнозы по алгоритмам машинного обучения — на всю обучающую выборку.
Впрочем, статистическая разница в полученных результатах выявлена только при применении комбинированного прогноза на основе МНК весов — такой подход позволяет получить наибольшую точность прогнозов (результаты эксперимента в этом случае значимо отличались от результатов стандартной эконометрической модели).
Евразийский фонд стабилизации и развития (ЕФСР) — региональный финансовый механизм объемом более 9 млрд долларов США, который учрежден в 2009 году Республикой Армения, Республикой Беларусь, Республикой Казахстан, Кыргызской Республикой, Российской Федерацией и Республикой Таджикистан. Целями ЕФСР являются содействие экономической и финансовой стабильности в государствах — участниках Фонда, а также поддержка их устойчивого развития.
Контакты пресс-службы ЕФСР: