Векторные авторегрессии являются одним из бурно развивающихся направлений многих областях современной науки. Они активно используются в моделировании и прогнозировании различных экономических процессов, чаще всего в моделировании фондового рынка и розничных цен. Их важнейшим преимуществом выступает возможность учета одновременного влияния моделируемых показателей не только от их прошлых значений, но и от прошлых значений других взаимосвязанных с ними показателей. Главная проблема, почему векторные авторегрессии не используются активно на практике (как они этого заслуживают), состоит в «проклятии размерности», которое заключается в квадратичном росте числа коэффициентов модели в зависимости от роста размерности моделируемого вектора. Это обстоятельство приводит к тому, что исследователи в разных областях современной науки вынуждены ограничивать размерность вектора, включая в модели только наиважнейшие либо снижая порядок авторегрессии. Попытки преодолеть «проклятие размерности» путем использования особых математических методов выливаются в существенное усложнение математического аппарата построения векторных авторегрессий, что не способствует расширению практики их применения. В статье предлагается использовать для этого поэтапный метод декомпозиции построения векторных авторегрессий любой размерности, который делает процесс построения этих моделей простым и доступным любому исследователю. Для проверки возможности применения этого метода на практике использовались ряды данных о динамике восьми основных отраслевых индексов Московской биржи. При этом было принято решение построить большую векторную авторегрессию порядка p = 10. С помощью метода наименьших квадратов всего было оценено 648 неизвестных коэффициентов этой модели. Верификация модели была подтверждена простыми авторегрессиями.
Идентификаторы и классификаторы
В последние годы на смену простым регрессиям приходят более сложные модели, одной из которых является моделирование и прогнозирование сложных стохастических процессов с помощью моделей векторных авторегрессий (VAR) или их модификаций (VARIMA) (Ord, Fildes, Kourentzes, 2017). Неоспоримым преимуществом векторных авторегрессий является возможность моделирования сложной многофакторной взаимозависимости выбранных показателей друг от друга с учетом возможной задержки их влияния во времени. Существенная часть стохастических процессов имеет именно такую природу, и в их числе процессы, протекающие на фондовых рынках.
Список литературы
1. Алиаскарова Ж.А., Асадулаев А.Б., Пашкус В.Ю. (2020). Прогнозирование динамики инвестиций в основной капитал и валовую добавленную стоимость на основе моделей VAR и VECM // Проблемы современной экономики. № 4 (76). С. 41-45. EDN: UWMTAT
2. Баласанян С.Ш., Геворгян Э.М. (2016). Сравнительный анализ методов регрессии и группового учета аргументов при моделировании процессов переработки полезных ископаемых // Известия Томского политехнического университета. Инжиниринг георесурсов. Т. 327. № 4. С. 23-34. EDN: WBPEQB
3. Белов В.В., Чистякова В.И. (2008). Моделирование и прогнозирование бизнес-процессов с помощью алгоритмов самоорганизации формальных описаний // Бизнес-информатика. № 4 (06). С. 37-45. EDN: KHRYDD
4. Геець В.М., Клебанова Т.С. и др. (2005). Модели и методи социально-экономического прогнозировання: учебник. Харков: ВД “ИНЖЕК”. 396 с.
5. Гельруд Я.Д., Угрюмов Е.А., Рыбак В.Л. (2018). Векторная модель авторегрессии показателей производственной деятельности строительного предприятия // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. Т. 7. № 3. С. 19-30. EDN: XWQISD
6. Дорохов Е.В. (2008). Статистический подход к изучению прогнозирования индекса РТС на основе методов векторной авторегрессии и коинтеграции // Финансы и бизнес. № 1. С. 85-110. EDN: JUONUN
7. Дьячков М.Ю. (2017). Индуктивное моделирование объектов и явлений методом группового учета аргументов: недостатки и способы их устранения // Вестник Российского университета дружбы народов. Серия: Математика. Информатика. Физика. Т. 25. № 4. С. 323-330. EDN: ZVFIOV
8. Зубарев А.В., Кириллова М.А. (2023). Построение модели GVAR для российской экономики // Экономический журнал Высшей школы экономики. № 1. C. 9-32. EDN: OHOAYX
9. Ивахненко А.Г., Мюллер Й.А. (1985). Самоорганизация прогнозирующих моделей. Киев: Техника; Берлин: ФЕБ Ферлаг Техник, 1985. 223 с.
10. Малов Д.Н. (2019). Оценка инвестиционной привлекательности компаний на основе модели VAR (векторной авторегрессии) и ARIMA с учетом рисков // Инновации и инвестиции. № 1. С. 152-159. EDN: VWSZCU
11. Маматова Н. (2015). Применение модели векторной авторегрессии для анализа потребления электроэнергии // Математические модели экономики: сборник научных трудов. М.: НИУ ВШЭ. № 4. С. 15-19.
12. Мехович С.А., Ахиезер Е.Б., Дунаевская О.И. (2014). Экономико-математическая модель зонирования промышленных предприятий // Энергосбережение, энергетика, энергоаудит. № 8 (126). С. 39-49. EDN: SQWBSJ
13. Петров К.Э., Дейнеко А.А., Чалая О.В., Панферова И.Ю. (2020). Метод ранжирования альтернатив при проведении процедуры коллективного экспертного оценивания // Радiоелектронiка, iнформатика, управлiння. № 2. С. 84-94.
14. Погосян К. (2015). Альтернативные модели прогнозирования основных макроэкономических показателей в Армении // Квантиль. № 13. С. 25-39.
15. Салманов О.Н., Заернюк В.М., Лопатина О.А. (2016). Установление влияния денежно-кредитной политики методом векторной авторегрессии // Финансы и кредит. № 28. С. 2-17. EDN: WGCFAJ
16. Светуньков С.Г., Баженова М.П., Лукаш Е.В. (2022). Перспективы использования векторных авторегрессий в экономическом прогнозировании // Современная экономика: проблемы и решения. № 6 (150). С. 44-57. EDN: GMDMXM
17. Суханова Е.И., Ширнаева С.Ю. (2014). Прогнозирование показателей стабилизационных процессов экономики России на основе моделей векторной авторегрессии // Фундаментальные исследования. № 9. С. 1590-1595. EDN: SWOHOT
18. Шимановский Д.В., Третьякова Е.А. (2020). Моделирование социо-эколого-экономических взаимосвязей как способ оценки устойчивого развития регионов РФ // Вестник Пермского университета. Серия: Экономика. № 3 (15). С. 369-384. DOI: 10.17072/1994-9960-2020-3-369-384 EDN: OWGUCX
19. Ahelegbey D.F., Billio M., Casarin R. (2016). Special issue on recent developments in financial econometrics. Annals of Economics and Statistics, no. 123/124, pp. 333-361. DOI: 10.15609/annaeconstat2009.123-124.0333
20. Barrett A. (2021). Forecasting the Prices of Cryptocurrencies using a Novel Parameter Optimization of VARIMA Models. Chapman: Chapman University Digital Commons. 277 p.
21. Carolyn N.N., Sherris M. (2020). Modeling mortality with a Bayesian vector autoregression. Mathematics and Economics, no. 94, pp. 40-57.
22. Chandra S.R., Al-Deek H. (2009). Predictions of Freeway Traffic Speeds and Volumes Using Vector Autoregressive Models. Journal of Intelligent Transportation Systems, vol. 13, no. 2, pp. 53-72.
23. Fitrianti H., Belwawin S.M., Riyana M., Amin R. (2019). Climate modeling using vector moving average autoregressive. IOP Conference Series: Earth and Environmental Science. Jaipur, pp. 28-39.
24. Garcia-Martos C., Rodriguez J., Sanchez M.J. (2013). Modelling and forecasting fossil fuels, CO2 and electricity prices and their volatilities. Applied Energy, vol. 101, pp. 363-375.
25. Jusmawati M.H., Penerapan V. (2020). Model Vector Autoregressive Integrated Moving Av-erage dalam Peramalan Laju Inflasi dan Suku Bunga di Indonesia. EIGEN mathematics journal, 2020, december, no. 3 (2), pp. 73-82.
26. Kilian L., Lütkepohl H. (2017). Structural Vector Autoregressive Аnalysis. Cambridge: Cambridge University Press. 735 p. DOI: 10.1017/9781108164818
27. Lusia D.A., Ambarwati A. (2018). Multivariate Forecasting Using Hybrid VARIMA-Neural Network in JCI Case, Proceeding // International Symposium on Advanced Intelligent Informatics: Revolutionize Intelligent Informatics Spectrum for Humanity. Yogyakarta. Pp. 11-14.
28. Lütkepohl H. (2005). New Introduction to Multiple Time Series Analysis. Berlin: Springer. 764 p.
29. Meimela A., Lestari S.S. et al. (2021). Modeling of.
30. COVID-19 in Indonesia using vector autoregressive integrated moving average. Journal of Physics: Conference Series, pp. 55-79.
31. Olson D.R., Riedel T.O. et al. (2021). Time series analysis of wintertime O3 and NOx formation using vector autoregressions. Atmospheric Environment, vol. 259, pp. 218-232.
32. Ord K., Fildes R., Kourentzes N. (2017). Principles of business forecasting. Wessex: Wessex Press, Inc. 544 p.
33. Rusyana A., Tatsara N., Balqis R., Rahmi S. (2020). Application of Clustering and VARIMA for Rainfall Prediction. IOP Conference Series: Materials Science and Engineering, pp. 428-438.
34. Schmidhuber J. (2015). Deep learning in neural networks: An overview. Neural Networks, no. 61, pp. 85-117. EDN: YEWUEF
35. Thelin E.P., Raj R. et al. (2020). Comparison of high versus low frequency cerebral physiology for cerebrovascular reactivity assessment in traumatic brain injury: a multi-center pilot study. Journal of Clinical Monitoring and Computing, no. 34 (5), pp. 971-994. EDN: ASUUUI
36. Yi Zh., Chuntian Ch. et al. (2021). Multivariate probabilistic forecasting and its performance’s impacts on long-term dispatch of hydro-wind hybrid systems. Applied Energy, vol. 283. pp. 116-243.
37. Xu Bin, Boqiang Lin. (2016). What cause a surge in China’s CO2 emissions? A dynamic vector autoregression analysis. Journal of Cleaner Production, vol. 143, pp. 17-26.
38. Zeiler F.A., Ercole A., Cabeleira M. (2020). Evaluation of the relationship between slow-waves of intracranial pressure, mean arterial pressure and brain tissue oxygen in TBI: a CENTER-TBI exploratory analysis. Journal of Clinical Monitoring and Computing, no. 35 (4), pp. 781-799. EDN: KEXLXQ
39. Zhang Cheng, Liao Huchang, Luo Li, Xu Zeshui (2021). Low-carbon tourism destination selection by a thermodynamic feature-based method. Journal of the Operational Research Society, June.
Выпуск
Другие статьи выпуска
В Москве в Центральном экономико–математическом институте РАН 9-10 апреля 2024 г. состоялся Юбилейный XXV Всероссийский симпозиум «Стратегическое планирование и развитие предприятий».
Актуальность осмысления роли финансовой политики в условиях глобального геополитического и макроэкономического кризисов делает перспективным с научной точки зрения обращение к переосмыслению исторического опыта, накопленного в области финансового регулирования в прошлом. Одним из таких примеров исторического опыта прошлых лет являются финансовая деятельность В. Н. Коковцова и проводившийся им курс на обеспечение бюджетного равновесия, экономию государственных финансовых средств и накопление золотого запаса страны. При всей важности данных направлений в финансовой политике конкретные методы, способы и динамика ее осуществления должны соответствовать вызовам времени и особенностям переживаемого периода. В связи с этим в исследовании раскрывается мера соответствия (несоответствия) этих методов, способов и динамики финансовой политики и конкретно - предложенной В. Н. Коковцовым программы вызовам времени. Раскрыт экстраординарный характер «периода В. Н. Коковцова», обусловленный значимыми политическими и экономическими событиями того времени. Целью исследования является анализ и оценка финансовой политики В. Н. Коковцова, ее сильных и слабых сторон, конкретных направлений, причин неудач и долгосрочных социально–экономических последствий. Задачами исследования выступает анализ бюджетной и налоговой политики, а также политики формирования золотых резервов страны. В исследовании использованы диалектический и историко–ретроспективный подходы, методы структурно–функционального и программно–целевого анализа. В результате исследования дана критическая оценка исходных теоретических установок и практических результатов консервативной финансовой политики В. Н. Коковцова, выделены наиболее проблемные аспекты этой политики в период 1904-1914 гг. (годы министерства В. Н. Коковцова).
В настоящее время ведется работа, связанная с формированием нового национального проекта «Экономика данных», который направлен на инновационное развитие российской экономики на базе внедрения и использования цифровых технологий и является логическим продолжением уже функционирующего с 2019 г. национального проекта «Цифровая экономика». Под действие нового национального проекта попадают бизнес, государственные структуры, социальная сфера, что требует модернизации имеющихся управленческих решений и инструментов, а также разработки новых подходов к их реализации для обеспечения роста экономики и развития социальной сферы. Следует отметить, что до сих пор в научном мире отсутствует единое понимание экономики данных, также не исследованы основные характеризующие ее аспекты. Авторы статьи рассматривают такие основополагающие категории и инструменты цифровой экономики, как цифровизация, цифровая трансформация, цифровая зрелость, цифровые технологии и др., и делают вывод об их сохранении и преобразовании в новой экосистеме экономики данных с учетом достижения новых целей функционирования экономики. В статье представлена авторская модель перехода от цифровой экономики к экономике данных с учетом как имеющихся, так и новых ее компонентов. Также авторы уделяют внимание построению интеграционной схемы «наука-образование-технологии-производство», базирующейся на цифровых данных и цифровых технологиях, что будет способствовать развитию высокотехнологичных и наукоемких секторов экономики. Исследование процесса перехода от цифровой экономики к экономике данных позволяет сделать вывод о закономерности данного процесса, его значимости для развития экономики России. Переход к экономике данных позволит вывести экономику России на новый уровень развития и обеспечить технологический суверенитет.
Развитие цифровых технологий не только позволило сделать человечеству значительный скачок вперед в плане технического развития, но также и вернуло к действительности проблему колонизации уже на новом, цифровом, этапе. Цель данного исследования - определить, каким образом проявляется цифровая колонизация в современном мире. Для этого были решены следующие задачи: проведен анализ публикаций, показывающих становление цифровой колонизации, установлены основные субъекты цифровой колонизации и инструменты воздействия данных субъектов на страны и их население. Результатами данной работы является выявление трех субъектов, осуществляющих цифровую колонизацию: государства, цифрове компании, владеющие социальными сетями и поисковыми системами, а также крупные промышленные компании, производящие высокотехнологичную продукцию; а также выделение двух направлений осуществления цифровой колонизации. Первое направление подразумевает вывоз ресурсов, который включает как присвоение персональных данных пользователей цифровой продукции, так и вывоз рабочей силы, который может осуществляться не только явно, но и скрытым способом посредством телемиграции. Второе направление иллюстрирует методы воздействия на страны и население, включая использование как средств массовой информации и средств поиска, так и санкционного давления, в том числе прекращение доступа к использованию товаров и услуг зарубежных компаний. Предложен ряд шагов, которые позволят странам, в том числе России, не только повысить свой технологический суверенитет и снизить влияние цифровой колонизации, но также укрепить связи с дружественными развивающимися странами и понизить возможность осуществления цифровой колонизации в мире.
В данной статье отмечается, что климатические изменения, в особенности глобальное потепление, представляют собой проблему как на мировом уровне, так и для многих национальных экономик. Вследствие этого появилась новая идеология - «зеленая» и новый вид экономики - «зеленая». Основу «зеленой» экономики составляют электроника, компьютерные и космические технологии, биотехнологии, новейшие источники энергии и телекоммуникации. Главными чертами «зеленой» экономики являются динамичность, инновации, массовая индивидуализация, научный подход и сетевые решения. В данной статье рассматривается социально–экономическая сущность «зеленой» экономики, а также основные направления и перспективы ее развития. Отмечается, что формирование «зеленой» экономики даст множество преимуществ, включая повышение производительности труда и доходов, сокращение безработицы и инфляции. Окончательная цель «зеленой» экономики состоит в повышении жизненного уровня людей в долгосрочной перспективе и снижении эколого–экономических рисков для будущих поколений. Статья особо акцентирует внимание на различных подходах стран к переходу к «зеленой» экономике из-за различий в климате и экономическом укладе. Однако ряд стран имеют схожие интересы и приоритеты в достижении климатических целей, что приводит к созданию союзов и объединений для решения данных вопросов. Евразийский экономический союз (ЕАЭС) становится одним из таких союзов, ставя общую задачу - внедрение принципов «зеленой» экономики. В статье проводится анализ внедрения этих принципов в ЕАЭС и отмечается, что страны Союза активно работают над формированием «зеленой» экономики, создают технологии для модернизации и повышения конкурентоспособности, «евразийские технологические платформы».
Рассмотрены проблемы развития нефтегазохимической промышленности России в условиях экономических санкций, вследствие которых произошел полный отказ крупнейших западных производителей технологий и оборудования от их поставок в Россию. Исследованы механизмы адаптации отрасли к ужесточению режима внешнеэкономических санкций и выявлены основные направления компенсации санкционных воздействий. Показаны возможности механизма параллельного импорта для продолжения реализации начатых инвестиционных проектов и организации новых маршрутов поставок продукции российских нефтегазохимических компаний на мировой рынок. Представлена динамика основных экономических показателей развития нефтегазохимической отрасли по данным Росстата с 2011 по 2023 г. (объемы производства наиболее значимых продуктов, отраслевой импорт и экспорт и др.) и оценены среднесрочные перспективы реализации отраслевой стратегии импортозамещения. Показана эффективность переориентации экспорта нефтегазопродуктов на новые рынки Азиатско-Тихоокеанского региона (АТР), Африки, Южной Америки и Турции. Исследованы перспективы кластерного развития нефтегазохимической отрасли. Сформулирована концепция «шаг назад - два шага вперед» как способ завершения уже начатых проектов и, главное, реализации новых проектов развития отрасли, основанных на принципиально новых технологиях будущего, которые необходимо разрабатывать уже сейчас. Сделан вывод о необходимости перехода от традиционной экспортной бизнес—модели развития отрасли к модели с ее частичной ориентацией на внутренние рынки нефтегазохимических продуктов в России. При этом санкции являются стимуляторами новых подходов к развитию отечественной нефтегазохимии.
Обсуждается эконометрическое оценивание влияния на валовой внутренний продукт (ВВП) России реального первичного дефицита (бюджетного импульса) и реальных расходов бюджета. В качестве основной характеристики состояния национальной экономики приняты годовые уровни темпа прироста реального ВВП страны в период с 2006 по 2021 г. В работе построена эконометрическая модель этой характеристики. В состав объясняющих переменных модели включены значения темпа прироста основных факторов производства и, в частности, реальный первичный дефицит бюджета (бюджетный импульс) и темп прироста реальных расходов бюджета. Основные результаты работы состоят в следующем. Во-первых, на темп прироста реального ВВП России значимо положительно влияют и реальный первичный профицит бюджета (бюджетный импульс - в определении Минэкономразвития России), и темп прироста реальных расходов бюджета. Во-вторых, такие неблагоприятны события, как мировой финансовый кризис, санкции западных стран, пандемия, существенно негативно воздействуют на экономику России, снижая темп прироста реального ВВП в среднем на 2% в год.
Значение человеческого потенциала как фактора экономического развития давно осознано в экономической науке. В ней была предложена интерпретация экономической реализации этой роли в форме «человеческого капитала». Однако существуют значительные сомнения как в теоретической корректности такой интерпретации, так и в ее эмпирической обоснованности. Кроме того, концепция «человеческого капитала» значительно сужает роль человеческого потенциала в производстве. Чтобы точнее оценить эту роль, необходимо обратиться к исследованию того, как человеческий потенциал реализует себя в творческой деятельности. Экономическое присвоение результатов этой творческой деятельности приносит добавочный доход, принимающий форму интеллектуальной ренты. Однако капиталистическая форма присвоения результатов использования творческого потенциала человека ограничивает возможности его наиболее полного развертывания и применения. Более того, результаты творческой деятельности зачастую принимают формы фальшивых, иллюзорных благ и даже оборачиваются против человеческого развития. Чтобы обеспечить наибольший общественный эффект от использования человеческого потенциала, необходимо найти такие формы поддержки его развития, которые в большей степени будут соответствовать его внутреннему содержанию. Особенность творческой деятельности, состоящая в том, что она выступает не только как средство достижения каких-либо целей, но и как самоцель, позволяет наиболее полно использовать человеческий потенциал, если предоставить каждому человеку условия для наиболее полного развития и применения его способностей. Для этого необходимо обеспечить приоритетное развитие сфер формирования и развития человеческого потенциала (образования, здравоохранения, науки и культуры) и действительное равенство возможностей для развития способностей каждого человека, что позволит создать наиболее широкую базу для использования общенационального человеческого потенциала. Возможными путями решения этих задач могут быть: 1) реализация политики государственного патернализма и расширения производства так называемых опекаемых благ и 2) постепенное смягчение отчуждения человека от собственности и управления в экономике, что требует поисков частичного компромисса интересов нанимателей и наемных работников.
Издательство
- Издательство
- ЦЭМИ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117418, Москва, Нахимовский пр, 47
- Юр. адрес
- 117418, Москва, Нахимовский пр, 47
- ФИО
- Альберт Рауфович БАХТИЗИН (Директор)
- E-mail адрес
- albert.bakhtizin@gmail.com
- Контактный телефон
- +7 (499) 1290822