ISSN 0130-3090 · EISSN 2712-8350

· Языки: ru / en

Статья: ПРОГНОЗИРОВАНИЕ ИНФЛЯЦИИ С ИСПОЛЬЗОВАНИЕМ НОВОСТНЫХ ИНДЕКСОВ (2025)

Читать

Статья Литература Выпуск Статистика Издательство

Читать онлайн

Данная работа посвящена использованию новостных индексов в моделях машинного обучения для прогнозирования инфляции на горизонтах от 1 до 6 месяцев. Новости, с одной стороны, могут формировать ожидания населения и тем самым его поведение, а с другой - содержат информацию, которую сложно учесть в стандартных макропеременных, но которая может значительно повышать точность прогнозов инфляции. Для исследования были собраны экономические новости за девятилетний период с сайта «РИА Новости» и определена тональность каждой новости, после чего все новости разделены методом латентного размещения Дирихле на девять тематических групп. Тональность каждой темы определялась на основе взвешенной по вероятности тональности новостей, относящихся к этой теме. Полученные тематические временные ряды использовались в моделях машинного обучения вместе со стандартными макропеременными. Наиболее точной из рассмотренных в работе моделей оказалась модель долгой краткосрочной памяти (Long Short-Term Memory) с использованием новостных индексов. Наибольший вклад в формирование данной моделью прогноза инфляции внесли индексы тональности новостей по темам «Санкции», «Газовый сектор» и «Экономический рост», а из стандартных макропеременных - уровень заработной платы, индекс производства и цена фьючерсов на нефть марки Brent.

Ключевые фразы: новостные индексы, инфляция, СЕНТИМЕНТ-АНАЛИЗ, КЛАСТЕРИЗАЦИЯ ТЕКСТОВ, машинное обучение, модель долгой краткосрочной памяти

Автор (ы): ВОЛГИНА Е. (VOLGINA E.)

Журнал: ДЕНЬГИ И КРЕДИТ

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Экономика
УДК: 33. Экономика. Народное хозяйство. Экономические науки

Для цитирования:

ВОЛГИНА Е. ПРОГНОЗИРОВАНИЕ ИНФЛЯЦИИ С ИСПОЛЬЗОВАНИЕМ НОВОСТНЫХ ИНДЕКСОВ // ДЕНЬГИ И КРЕДИТ. 2025. Т. 84 № 1

Текстовый фрагмент статьи

Моя история просмотров (10)

01. Статья: ИИ КАК ГУМАНИЗИРОВАННЫЙ СУБЪЕКТ: МИТИГАТИВНЫЕ СТРАТЕГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

02. Статья: Чувствительность к справедливости у научных сотрудников ФСИН в зависимости от их половой принадлежности

03. Статья: ГЕНЕЗИС ПОЛЬСКОГО ПОПУЛИЗМА (1945-2023) И ЕГО ВЛИЯНИЕ НА ТРАНСФОРМАЦИЮ И ПОДДЕРЖКУ "ПРАВА И СПРАВЕДЛИВОСТИ*"

04. Статья: ВНУТРЕННЯЯ НЕМАЯ СЦЕНА В АВТОКОММУНИКАЦИИ

05. Статья: ЭТАПЫ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В БАНКОВСКОЙ СФЕРЕ

06. Статья: Роль интонации в практике сценической речи

07. Статья: ОТНОШЕНИЕ К ЦЕННОСТЯМ ТРАДИЦИОННОЙ КУЛЬТУРЫ АДЫГСКОЙ МОЛОДЕЖИ

08. Книга: Промышленная электроника

09. Статья: "ЩЕПА ИЗ РАССКАЗОВ" И УСТНЫЕ СВИДЕТЕЛЬСТВА О ВОЙНЕ: РОЛЬ ИНТЕРВЬЮ В "БЛОКАДНОЙ КНИГЕ" А. М. АДАМОВИЧА И Д. А. ГРАНИНА

10. Статья: ОТБОР ИСХОДНОГО МАТЕРИАЛА ВИГНЫ УГЛОВАТОЙ (АДЗУКИ) VIGNAANGULARIS (WILLD.) OHWI & H. OHASHI ДЛЯ СЕЛЕКЦИИ

Будьте первым, кто начнет обсуждение

Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.

Создать тему для обсуждения

Список литературы

1. Андреев A. Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Банк России. Серия докладов об экономических исследованиях. - 2016. - № 14.
Andreev, A. (2016). Forecasting Inflation Using the Method of Combining Forecasts in the Bank of Russia. Bank of Russia Working Papers Series, N 14. [In Russian].
2. Картаев Ф. С., Беседовская М. Н. Полезна ли кривая Филлипса для прогнозирования инфляции в России? // Вестник Московского университета. Серия 6. Экономика. - 2023. - № 6. - С. 24-43.  EDN: FPATGO
Kartaev, P. S. and Besedovskaya, M. N. (2023). Is the Phillips Curve Useful for Forecasting Inflation in Russia? Moscow University Economics Bulletin, 6, pp. 24-43. (In Russian).  EDN: FPATGO
3. Ahmed N., Atiya A., Gayar N., El-Shishiny H. An Empirical Comparison of Machine Learning Models for Time Series Forecasting // Econometric Reviews. - 2010. - Vol. 29(5-6). - pp. 594-621.  DOI: 10.1080/07474938.2010.481556
4. Algaba A., Ardia D., Bluteau K., Borms S., Boudt K. Econometrics Meets Sentiment: An Overview of Methodology and Applications // Journal of Economic Surveys. - 2020. - Vol. 34. - pp. 512-547.  DOI: 10.1111/joes.12370  EDN: OTXMDT
5. Almosova A., Andresen N. Nonlinear Inflation Forecasting with Recurrent Neural Networks // Journal of Forecasting. - 2023. - Vol. 42(2). - pp. 240-259.  DOI: 10.1002/for.2901  EDN: FCTDHW
6. Andres-Escayola E., Ghirelli C., Molina L., Pérez J. J., Vidal E. Using Newspapers for Textual Indicators: Which and How Many? // Banco de Espana Working Paper. - 2022. - N 2235.  EDN: IVUKNK
7. Angelico C., Marcucci J., Miccoli M., Quarta F. Can We Measure Inflation Expectations Using Twitter? // Journal of Econometrics. - 2022. - Vol. 228(2). - pp. 259-277.  DOI: 10.1016/j.jeconom.2021.12.008  EDN: LIDAZW
8. Ardia D., Bluteau K., Borms S., Boudt K. The R Package Sentometrics to Compute, Aggregate, and Predict with Textual Sentiment // Journal of Statistical Software. - 2021. - Vol. 99(2). - pp. 1-40.  DOI: 10.18637/jss.v099.i02  EDN: UAFAZE
9. Atkeson A., Ohanian L. Are Phillips Curves Useful for Forecasting Inflation? // Federal Reserve Bank of Minneapolis Quarterly Review. - 2001. - Vol. 25. - pp. 2-11.  DOI: 10.21034/qr.2511
10. Barbaglia L., Consoli S., Manzan S. Forecasting with Economic News // Journal of Business and Economic Statistics. - 2023. - Vol. 41(3). - pp. 708-719.  DOI: 10.1080/07350015.2022.2060988  EDN: VISTUB
11. Baybuza I. Inflation Forecasting Using Machine Learning Methods // Russian Journal of Money and Finance. - 2018. - Vol. 77(4). - pp. 42-59.  DOI: 10.31477/rjmf.201804.42  EDN: ZAXWEP
12. Bird S., Klein E., Loper E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. O’Reilly Media, Inc., 2009.
13. Blei D. M., Ng A. Y., Jordan M. I. Latent Dirichlet Allocation // Journal of Machine Learning Research. - 2003. - Vol. 3. - pp. 993-1022.
14. Carroll C. D. Macroeconomic Expectations of Households and Professional Forecasters // The Quarterly Journal of Economics. - 2003. - Vol. 118(1). - pp. 269-298.  DOI: 10.1162/00335530360535207  EDN: EAHNHB
15. Chong E., Ho C. C., Ong Z. F., Ong H. H. Using News Sentiment for Economic Forecasting: A Malaysian Case Study // IFC Bulletin. - 2022. - N 57 (Machine Learning in Central Banking).
16. Diebold F. X., Mariano R. S.Comparing Predictive Accuracy // Journal of Business and Economic Statistics. - 1995. - Vol. 13(3). - pp. 253-263.  DOI: 10.1080/07350015.1995.10524599
17. Dzhunkeev U. Forecasting Inflation in Russia Using Gradient Boosting and Neural Networks // Russian Journal of Money and Finance. - 2024. - Vol. 83(1). - pp. 53-76.  EDN: IANEFK
18. Evstigneeva A., Karpov D. The Impact of Negative News on Public Perception of Inflation // Bank of Russia Workıng Paper Serıes. - 2023. - N 111.
19. Faust J., Wright J. Forecasting Inflation // Handbook of Economic Forecasting, Vol. 2, Part A / Elliott G., Timmermann A., eds. - Elsevier, 2013. - pp. 2-56.  DOI: 10.1016/B978-0-444-53683-9.00001-3
20. Fraiberger S., Lee D., Puy D., Ranciere R. Media Sentiment and International Asset Prices // Journal of International Economics. - 2021. - Vol. 133. - Article 103526.  DOI: 10.1016/j.jinteco.2021.103526  EDN: OVFFBB
21. Harris Z. S. Distributional Structure // Word. - 1954. - Vol. 10(2-3). - pp. 146-162.  DOI: 10.1080/00437956.1954.11659520
22. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. - 1997. - Vol. 9(1). - pp. 1735-1780.
23. Hopp D. Benchmarking Econometric and Machine Learning Methodologies in Nowcasting GDP // Empirical Economics. - 2024. - Vol. 66(5). - pp. 2191-2247.  DOI: 10.1007/s00181-023-02515-6  EDN: HJNPFB
24. Hopp D. Economic Nowcasting with Long Short-Term Memory Artificial Neural Networks (LSTM) // Journal of Official Statistics. - 2022. - Vol. 38(3). - pp. 847-873.  DOI: 10.2478/JOS-2022-0037  EDN: EMZDQE
25. Kalamara E., Turrell A., Redl C., Kapetanios G., Kapadia S. Making Text Count: Economic Forecasting Using Newspaper Text // Journal of Applied Econometrics. - 2022. - Vol. 37(5). - pp. 896-919.  DOI: 10.1002/jae.2907  EDN: ACYEWC
26. Kondratyev A. Learning Curve Dynamics with Artificial Neural Networks // Risk. - 2018. - Vol. 31(6). - pp. 1-6.
27. Larsen V., Thorsrud L. Asset Returns, News Topics, and Media Effects // Scandinavian Journal of Economics. - 2022. - Vol. 124(3). - pp. 838-868.  DOI: 10.1111/sjoe.12469  EDN: KHBIJC
28. Loughran T., McDonald B. When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks // The Journal of Finance. - 2011. - Vol. 66(1). - pp. 35-65.  DOI: 10.1111/j.1540-6261.2010.01625.x
29. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems, Vol. 30 (Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, USA) / Guyon I., von Luxburg U., Bengio S., Wallach H., Fergus R., Vishwanathan S., Garnett R., eds. - 2017. - pp. 4768-4777.
30. Maćkowiak B., Matějka F., Wiederholt M. Rational Inattention: A Review // Journal of Economic Literature. - 2023. - Vol. 61(1). - pp. 226-273.  DOI: 10.1257/jel.20211524  EDN: KSJXXD
31. Medeiros M. C., Vasconcelos G. F. R., Veiga Á., Zilberman E. Forecasting Inflation in a DataRich Environment: The Benefits of Machine Learning Methods // Journal of Business and Economic Statistics. - 2021. - Vol. 39(1). - pp. 98-119.  DOI: 10.1080/07350015.2019.1637745
32. Olah C. Understanding LSTM Networks. Colah’s Blog. - 2015. - 27 August. URL: https://colah.github.io/posts/2015-08-Understanding-LSTMs.
33. Pavlov E. Forecasting Inflation in Russia Using Neural Networks // Russian Journal of Money and Finance. - 2020. - Vol. 79(1). - pp. 57-73.  DOI: 10.31477/rjmf.202001.57  EDN: BUPVFE
34. Petalas D. P., van Schie H., Vettehen H. P. Forecasted Economic Change and the Self-Fulfilling Prophecy in Economic Decision-Making // PLoS One. - 2017. - Vol. 12(3). - Article e0174353.  DOI: 10.1371/journal.pone.0174353
35. Pratap B., Ranjan A., Kishore V., Bhoi B. B. Forecasting Food Inflation Using News-Based Sentiment Indicators // Reserve Bank of India Occasional Papers. - 2021. - N 42(2).
36. Rambaccussing D., Kwiatkowski A. Forecasting with News Sentiment: Evidence with UK Newspapers // International Journal of Forecasting. - 2020. - Vol. 36(4). - pp. 1501-1516.  DOI: 10.1016/j.ijforecast.2020.04.002  EDN: WPBACH
37. Salle I., Gorodnichenko Y., Coibion O. Lifetime Memories of Inflation: Evidence from Surveys and the Lab // NBER Working Paper. - 2023. - N 31996.
38. Salton G., Buckley C. Term-Weighting Approaches in Automatic Text Retrieval // Information Processing and Management. - 1988. - Vol. 24(5). - pp. 513-523.  DOI: 10.1016/0306-4573(88)90021-0
39. Semiturkin O., Shevelev A. Correct Comparison of Predictive Features of Machine Learning Models: The Case of Forecasting Inflation Rates in Siberia // Russian Journal of Money and Finance. - 2023. - Vol. 82(1). - pp. 87-103.  EDN: RCAZUA
40. Shapiro A., Sudhof M., Wilson D. J. Measuring News Sentiment // Journal of Econometrics. - 2022. - Vol. 228(2). - pp. 221-243.  DOI: 10.1016/j.jeconom.2020.07.053  EDN: WVPAMW
41. Shiller R. Narrative Economics // American Economic Review. - 2017. - Vol. 107(4). - pp. 967-1004.  DOI: 10.1257/aer.107.4.967
42. Shulyak E. Macroeconomic Forecasting Using Data from Social Media // Russian Journal of Money and Finance. - 2022. - Vol. 81(4). - pp. 86-112.  EDN: WTJYOY
43. Stock J. H., Watson M. W. Modeling Inflation after the Crisis // NBER Working Paper. - 2010. - N 16488.
44. Stock J. H., Watson M. W. Why Has U.S. Inflation Become Harder to Forecast? // Journal of Money, Credit and Banking. - 2007. - Vol. 39(s1). - pp. 3-33.  DOI: 10.1111/j.1538-4616.2007.00014.x
45. Tetlock P. C. Giving Content to Investor Sentiment: The Role of Media in the Stock Market // Journal of Finance. - 2007. - Vol. 62(3). - pp. 1139-1168.  DOI: 10.1111/j.1540-6261.2007.01232.x
46. Thorsrud L. Words Are the New Numbers: A Newsy Coincident Index of the Business Cycle // Journal of Business and Economic Statistics. - 2020. - Vol. 38(2). - pp. 393-409.  DOI: 10.1080/07350015.2018.1506344
47. Van Dijk D., de Winter J. Nowcasting GDP Using Tone-Adjusted Time Varying News Topics: Evidence from the Financial Press // De Nederlandsche Bank Working Paper. - 2023. - N 766.

Выпуск

Т. 84 № 1 (2025)

Кол-во страниц: 142 страницы

Другие статьи выпуска

ОЦЕНКА КРЕДИТНОГО РИСКА ПОРТФЕЛЯ ПРИ ДИНАМИЧЕСКОЙ КОРРЕЛЯЦИИ ДЕФОЛТОВ (2025)

Авторы: МАТВЕЕВ А.

В статье представлена методика, решающая актуальную задачу оценки кредитного риска при различной корреляции дефолтов (Basel Committee on Banking Supervision, 2001, p. 2). В методике преодолевается так называемая проблема «черного ящика», характерная в том числе для моделей переключения режимов Маркова и авторегрессии с условной гетероскедастичностью, отсутствуют нереалистичные допущения об однородности кредитного портфеля, как в аналитическом подходе к расчету стоимости под риском (Value-at-Risk, VaR), а также используются различные типы стресс-тестирования в соответствии с требованиями Банка России. Возможные области применения методики включают внутренние процедуры оценки достаточности капитала, надзорное стресс-тестирование, планы восстановления финансовой устойчивости, оценку кредитного риска на основе внутренних рейтингов. Разработанные подходы интегрированы в систему риск-менеджмента одного из крупнейших российских банков.

Сохранить в закладках

ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТОВ ДЛЯ АНАЛИЗА ДИНАМИКИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ (2025)

Авторы: Старичков М. А.

В статье предлагается использовать вейвлет-анализ в качестве дополнительного инструмента изучения данных по инфляции. Соответствующий математический аппарат активно применяется в различных сферах деятельности и хорошо зарекомендовал себя при работе с нестационарными сигналами в силу своей информативности и наглядности, приспособленности к исследованиям локальных особенностей. Вейвлеты сканируют наблюдаемый ряд в двухмерной развертке по частоте и времени, что позволяет определить (увидеть), насколько значимо и в какой конкретный момент проявляют себя те или иные группы частотных составляющих, происходят существенные изменения поведения данных. Становится доступным проведение разномасштабного анализа динамики изучаемого процесса, что актуально, так как если резкие скачки, как правило, заметны очень хорошо, то взаимодействие событий на мелких масштабах, перерастающее в крупномасштабные явления, заметить значительно сложнее, и наоборот - сконцентрировавшись только на мелких деталях, можно упустить из виду явления, происходящие на глобальном уровне.

Сохранить в закладках

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕЙ LSTM ДЛЯ НАУКАСТИНГА И ПРОГНОЗИРОВАНИЯ ВДС ОТРАСЛЕЙ ПРОМЫШЛЕННОСТИ (2025)

Авторы: Крыжановский О. А., Могилат А. Н., Шувалова Ж. Д., ГВОЗДЕВ Д.

В данной работе мы оцениваем возможность применения нейронных сетей долгой краткосрочной памяти (Long Short-Term Memory, LSTM) для задач экономического прогнозирования. Мы сравниваем качество краткосрочных прогнозов валовой добавленной стоимости отраслей промышленности, полученных при использовании LSTM-модели и бенчмарков: модели случайного блуждания, интегрированной модели авторегрессии скользящего среднего и приближенной динамической факторной модели. По сравнению с другими моделями LSTM показывает меньшую среднюю абсолютную ошибку прогноза в 16 из 18 случаев и меньшую среднеквадратическую ошибку - в 13 из 18 случаев.

Сохранить в закладках

АНАЛИЗ ФАКТОРОВ ИНФЛЯЦИОННОГО РИСКА В РОССИИ (2025)

Авторы: Чудаева А. Б.

В работе при помощи квантильной регрессии, комбинированной с подходом локальных проекций, исследуется влияние макроэкономических и финансовых факторов на условное распределение российской инфляции и инфляционный риск, то есть вероятность высоких значений ценовых приростов. Показано, что основными предикторами повышения инфляционного риска являются рост номинальной заработной платы и оборота розничной торговли, а также ослабление рубля и спад производства. Кроме того, об интенсификации данного риска могут сигнализировать геополитическая напряженность и уменьшение спреда по облигациям. Выявлено, что эффект переноса динамики валютного курса в потребительские цены проявляется сильнее с ростом уровня инфляции, при этом в условиях высокой инфляции ослабление и укрепление рубля переносятся в цены с разной интенсивностью, большей в первом случае. Ощутимое снижение риска критически высокой инфляции может потребовать от центрального банка комплексных антиинфляционных мер, поскольку влияние роста процентной ставки на инфляционный риск не столь значительно в сравнении с эффектом, оказываемым на среднее значение ценовых приростов

Сохранить в закладках

МОДЕЛИРОВАНИЕ ДОВЕРИЯ К ЦЕНТРАЛЬНОМУ БАНКУ НА ОСНОВЕ СЕНТИМЕНТ-АНАЛИЗА (2025)

Авторы: Матевосова А. М.

В исследовании предложена авторская методология, позволяющая с помощью сентимент-анализа текстовых данных создать удобный инструмент для измерения динамики доверия к центральному банку. На основе предложенной методологии в работе строится индикатор доверия населения к Банку России за период 2014-2023 гг. и при помощи авторегрессионной модели скользящего среднего с обобщенной авторегрессионной условной гетероскедастичностью в остатках (ARMA-GARCH) с добавлением экзогенных регрессоров анализируется связь доверия с инфляционными ожиданиями. Выявлено, что в краткосрочной перспективе увеличение доверия помогает снижать инфляционные ожидания, повышая эффективность денежно-кредитной политики, но не влияют на волатильность инфляционных ожиданий. Индикатор предлагается использовать при выработке решений по коммуникационной и денежно-кредитной политике Банка России.

Сохранить в закладках

Статистика статьи

Статистика просмотров за 2026 год.

Издательство

Издательство: БАНК РОССИИ
Регион: Россия, Москва
Почтовый адрес: 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
Юр. адрес: 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
ФИО: Набиуллина Эльвира Сахипзадовна (ПРЕДСЕДАТЕЛЬ БАНКА РОССИИ)
Контактный телефон: +7 (495) 9747664
Сайт: https://cbr.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Сказать «Спасибо»

Вы можете поблагодарить автора за публикацию. Ему (ей) будет приятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.