CLARA и CARLSON: комбинации ансамблевых и нейросетевых методов машинного обучения для прогнозирования ВВП1 (2024)

Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.

Тип: Статья
Автор (ы): Божечкова Александра, Джункеев Урмат
Ключевые фразы: ГРАДИЕНТНЫЙ БУСТИНГ, ВВП, BVAR, динамические факторные модели, винтажные данные

Идентификаторы и классификаторы

УДК
330.55. Валовой национальный продукт. Валовой внутренний продукт
Текстовый фрагмент статьи