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
Идентификаторы и классификаторы
- SCI
- Экономика
Две гипотетические ситуации, в которых ожидаемая инфляция следующего месяца составляет 0,5%, но при этом в одном случае риск того, что она будет выше 1%, равен 5%, а в другом – 30%, в высокой степени различны: во втором случае центральный банк будет проводить более жесткие мероприятия, направленные на предупреждение риска повышенной инфляции. Это обусловливает потребность в моделировании не только среднего ожидаемого значения ин - фляции, но и вероятностного распределения инфляционного процесса. При этом особый интерес представляет не сама функция распределения, а факторы, определяющие инфляционный риск. Понимание причин его формирования даст более глубокое представление о динамике инфляционного процесса и позволит центральному банку эффективнее управлять инфляционным риском и избегать резких скачков ценового уровня. Целью настоящей работы является выявление и анализ факторов, определяющих инфляционный риск в России
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Абрамов В., Морозов А., Синяков А., Стерхова А. О роли глобальных факторов в инфляции: аналитическая записка. - Москва: Банк России, 2022.
Abramov, V., Morozov, A., Sinyakov, A. and Sterkhova, A. (2022). On the Role of Global Factors in Inflation. Bank of Russia Analytical Note. Moscow: Bank of Russia. (In Russian).
2. Андреев А. Исследование асимметрии и нелинейности переноса динамики обменного курса в инфляцию // Банк России. Серия докладов об экономических исследованиях. - 2019. - № 45.
Andreev, A. (2019). Study of Asymmetry and Nonlinearity of the Transfer of Exchange Rate Dynamics to Inflation. Bank of Russia Working Paper Series, N 45. (In Russian).
3. Перевышина Е., Егоров Д. Причины инфляции в России // Российское предпринимательство. - 2015. - Т. 16. - № 23. - С. 4261-4270. EDN: VKSLQX
Perevyshina, E. A. and Egorov, D. A. (2015). Inflation Determinants in Russia. Russian Journal of Entrepreneurship, 16(23), pp. 4261-4270. (In Russian). EDN: VKSLQX
4. Полбин А., Шумилов А. Прогнозирование инфляции в России с помощью TVP-модели с байесовским сжатием параметров // Вопросы статистики. - 2023. - Т. 30. - № 4. - С. 22-32. EDN: DSRUKS
Polbin, A. V. and Shumilov, A. V. (2023). Forecasting Inflation in Russia Using a TVP Model with Bayesian Shrinkage. Voprosy Statistiki, 30(4), pp. 22-32. (In Russian). EDN: DSRUKS
5. Пономарев Ю., Трунин П., Улюкаев А. Эффект переноса динамики обменного курса на цены в России // Вопросы экономики. - 2014. - № 3. - С. 21-35. EDN: RWOGBT
Ponomarev, Y., Trunin, P. and Ulyukayev, A. (2014). Exchange Rate Pass-Through in Russia. Voprosy Ekonomiki, 3, pp. 21-35. (In Russian). EDN: RWOGBT
6. Baker S. R., Bloom N., Davis S. J. Measuring Economic Policy Uncertainty // Quarterly Journal of Economics. - 2016. - Vol. 131(4). - pp. 1593-1636.
7. Banerjee R., Contreras J., Mehrotra A., Zampolli F. Inflation at Risk in Advanced and Emerging Market Economies // Journal of International Money and Finance. - 2024. - Vol. 142. - Article 103025. DOI: 10.1016/j.jimonfin.2024.103025 EDN: RIOKTF
8. Caldara D., Iacoviello M. Measuring Geopolitical Risk // American Economic Review. - 2022. - Vol. 112(4). - pp. 1194-1225. EDN: LHUUQL
9. Campa J. M., Goldberg L. S. Distribution Margins, Imported Inputs, and the Sensitivity of the CPI to Exchange Rates // NBER Working Paper. - 2006. - N 12121.
10. Delatte A.-L., López-Villavicencio A. Asymmetric Exchange Rate Pass-Through: Evidence from Major Countries // Journal of Macroeconomics. - 2012. - Vol. 34(3). - pp. 833-844. DOI: 10.1016/j.jmacro.2012.03.003
11. Dickey D., Fuller W. Distributions of the Estimators for Autoregressive Time Series with a Unit Root // Journal of the American Statistical Association. - 1979. - Vol. 74(336). - pp. 427-431.
12. 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
13. Engle R., Granger C. Co-Integration and Error Correction: Representation, Estimation and Testing // Econometrica. - 1987. - Vol. 55(2). - pp. 251-276. DOI: 10.2307/1913236
14. Flodén M., Wilander F. State Dependent Pricing, Invoicing Currency, and Exchange Rate Pass-Through // Journal of International Economics. - 2006. - Vol. 70(1). - pp. 178-196. DOI: 10.1016/j.jinteco.2005.08.002
15. Jordà Ò. Estimation and Inference of Impulse Responses by Local Projections // American Economic Review. - 2005. - Vol. 95(1). - pp. 161-182. DOI: 10.1257/0002828053828518
16. Jordà Ò. Local Projections for Applied Economics // Annual Review of Economics. - 2023. - Vol. 15(1). - pp. 607-631. DOI: 10.1146/annurev-economics-082222-065846 EDN: PMMIRW
17. Kocoglu M. Drivers of Inflation in Turkey: A New Keynesian Phillips Curve Perspective // Economic Change and Restructuring. - 2023. - Vol. 56. - pp. 2825-2853. DOI: 10.1007/s10644-023-09532-6 EDN: TDLPPQ
18. Koenker R., Bassett G. Regression Quantiles // Econometrica. - 1978. - Vol. 46(1). - pp. 33-50. DOI: 10.2307/1913643
19. Korobilis D. Quantile Regression Forecasts of Inflation Under Model Uncertainty // International Journal of Forecasting. - 2017. - Vol. 33(1). - pp. 11-20. DOI: 10.1016/j.ijforecast.2016.07.005
20. Lopez-Salido D., Loria F. Inflation at Risk // FEDS Working Paper. - 2020. - N 2020-013. DOI: 10.32609/0042-8736-2007-10-4-26
21. Makabe Y., Norimasa Y. The Term Structure of Inflation at Risk: A Panel Quantile Regression Approach // Bank of Japan Working Paper Series. - 2022. - N 22-E-4.
22. Rossi B., Sekhposyan T. Alternative Tests for Correct Specification of Conditional Predictive Densities // Journal of Econometrics. - 2019. - Vol. 208(2). - pp. 638-657. DOI: 10.1016/j.jeconom.2018.07.008
23. Styrin K. Forecasting Inflation in Russia Using Dynamic Model Averaging // Russian Journal of Money and Finance. - 2019. - Vol. 78(1). - pp. 3-18. DOI: 10.31477/rjmf.201901.03 EDN: ZAXWFV
24. Taylor J. B. Low Inflation, Pass-Through, and the Pricing Power of Firms // European Economic Review. - 2000. - Vol. 44(7). - pp. 1389-1408. DOI: 10.1016/S0014-2921(00)00037-4 EDN: DYJCFT
Выпуск
Другие статьи выпуска
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.
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.
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.
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.
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.
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/