ISSN 0130-3090 · EISSN 2712-8350

· Языки: ru / en

Статья: ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТОВ ДЛЯ АНАЛИЗА ДИНАМИКИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ (2025)

Читать

Читать онлайн

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.

Ключевые фразы: вейвлет, алгоритм Малла, коэффициенты детализации и аппроксимации, инфляция, ИНДЕКС ПОТРЕБИТЕЛЬСКИХ ЦЕН, точки разладки

Автор (ы): Старичков Михаил Александрович (Starichkov M. A.)

Журнал: ДЕНЬГИ И КРЕДИТ

Предпросмотр статьи

Идентификаторы и классификаторы

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

Для цитирования:

СТАРИЧКОВ М. А. ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТОВ ДЛЯ АНАЛИЗА ДИНАМИКИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ // ДЕНЬГИ И КРЕДИТ. 2025. Т. 84 № 1

Текстовый фрагмент статьи

Моя история просмотров (4)

01. Статья: СИСТЕМНЫЕ ТРАНСФОРМАЦИИ В РЕГИОНАХ И ИНСТИТУЦИОНАЛЬНЫЕ РИСКИ

02. Статья: СЛОВООБРАЗОВАТЕЛЬНАЯ КОМПРЕССИЯ КАК АКТИВНЫЙ ПРОЦЕСС В РУССКОМ ЯЗЫКЕ КОРОНАВИРУСНОЙ ЭПОХИ

03. Статья: КЛИНИЧЕСКИЕ ХАРАКТЕРИСТИКИ ПОСТМАСТЭКТОМИЧЕСКОГО БОЛЕВОГО СИНДРОМА

04. Статья: РАЗДАТЧИК КОНЦЕНТРАТОВ-ПОДОДВИГАТЕЛЬ КОРМОВ ДЛЯ ФЕРМ КРС ПРИВЯЗНОГО СОДЕРЖАНИЯ

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. Абрамович М. С., Миротин Е. А. Об одном алгоритме обнаружения особенностей функции с использованием вейвлет-преобразования // Известия Гомельского государственного университета им. Ф. Скорины. - 2008. - № 5(50). - Часть 2. - С. 212-215.
Abramovich, M. S. and Mirotin, E. A. (2008). On One Algorithm for Detecting Function Features Using Wavelet Transform. Francisk Skorina Gomel State University (GSU) Proceedings, 5(50), Part 2, pp. 212-215. (In Russian).
2. Абрамович М. С., Мицкевич М. Н. Критерии обнаружения разладок бинарных последовательностей, основанные на вейвлет-преобразовании // Вестник БГУ. Серия 1. Физика. Математика. Информатика. - 2007. - № 2. - С. 78-82.  EDN: TCYVCV
Abramovich, M. S. and Mitskevich, M. N. (2007). Criteria for Detecting Binary Sequence Disorders Based on Wavelet Transform. Vestnik of BSU, Series 1: Physics, Mathematics, Computer Science, 2, pp. 78-82. (In Russian).
3. Балацкий Е. В., Екимова Н. А. Учет пороговых немонетарных событий в гибридных моделях инфляции // Journal of Economic Regulation (Вопросы регулирования экономики). - 2019. - Т. 10. - № 1. - С. 6-24.  EDN: ZCXNKP
Balatsky, E. V. and Ekimova, N. A. (2019). Accounting for Threshold Non-Monetary Events in Hybrid Inflation Models. Journal of Economic Regulation, 10(1), pp. 6-24. [In Russian].  EDN: ZCXNKP
4. Бричикова А. П., Могилевич Е. О., Шведов А. С. О вейвлет-преобразованиях при моделировании цен акций нечеткими системами // Экономический журнал ВШЭ. - 2019. - Т. 23. - № 3. - С. 444-464.  EDN: XQSCYK
Brychykova, A., Mogilevich, E. and Shvedov, A. (2019) On Wavelet Transform for Stock Price Modeling by Fuzzy Systems. HSE Economic Journal, 23(3), pp. 444-464. (In Russian).  EDN: XQSCYK
5. Гармаев Б. З., Боронаев В. В. Выбор анализирующей вейвлет-функции для задачи поиска экстремумов биомедицинских сигналов // Программные системы и вычислительные методы. - 2018. - № 1. - С. 45-54.  EDN: YTCDWQ
Garmaev, B. Z. and Boronaev, V. V. (2018). Selection of an Analyzing Wavelet Function for the Problem of Searching for Extrema of Biomedical Signals. Programmnyye Sistemy i Vychislitelnyye Metody, 1, pp. 45-54. (In Russian).
6. Глушков С. П., Жидких В. О. Выбор вейвлет-образующей функции для анализа динамических характеристик сигнала двигателя внутреннего сгорания // Вестник Сибирского государственного университета путей сообщения. - 2017. - № 1. - С. 51-56.  EDN: XWLAFX
Glushkov, S. P. and Zhidkikh, V. O. (2017). Selection of a Wavelet-Forming Function for the Analysis of Dynamic Characteristics of an Internal Combustion Engine Signal. Siberian Transport University Bulletin, 1, pp. 51-56. (In Russian).
7. Захарова Т. В., Шестаков О. В. Вейвлет-анализ и его приложения. 2-е изд., перераб. и доп. - Москва: ИНФРА-М, 2024.
Zakharova, T. V. and Shestakov, O. V. (2024). Wavelet Analysis and Its Applications, 2nd ed. (In Russian).
8. Меркушева А. В. Классы преобразований нестационарного сигнала в информационно-измерительных системах. III. Время-масштабные (вейвлет-) преобразования для спектрально-временного анализа // Научное приборостроение. - 2002. - Т. 12. - № 3. - С. 68-82.  EDN: HSQNIH
Merkusheva, A. V. (2002). Classes of Transformations of a Non-Stationary Signal in Information-Measuring Systems. III. Time-Scale (Wavelet) Transformations for Spectral-Temporal Analysis. Nauchnoye Priborostroyeniye, 12(3), pp. 68-82. (In Russian).  EDN: HSQNIH
9. Павлейно М. А., Ромаданов В. М. Спектральные преобразования в MATLAB. - Санкт-Петербург: Санкт-Петербургский государственный университет, 2007.  EDN: QMTXTF
Pavleyno, M. A. and Romadanov, V. M. (2007). Spectral Transformations in MATLAB. St. Petersburg: St. Petersburg State University. (In Russian).
10. Петров Г. А. Практика использования вейвлет-анализа в дефектоскопии. Санкт-Петербург: Балтийский государственный технический университет, 2012.  EDN: QNDJFN
Petrov, G. A. (2012). Practice of Using Wavelet Analysis in Flaw Detection. St. Petersburg: Baltic State Technical University. (In Russian).
11. Шелухин О. И., Гармашев А. В. Обнаружение DoS и DDoS-атак методом дискретного вейвлет-анализа // T-Comm. Информационная безопасность. - 2011. - № 1. - С. 44-46.  EDN: OPIKHZ
Sheloukhin, O. I. and Garmashev, A. V. (2011). Detection of DoS and DDoS Attacks Using Discrete Wavelet Analysis. T-Comm, 1, pp. 44-46. (In Russian).  EDN: OPIKHZ
12. Шелухин О. И., Филинова А. С. Сравнительный анализ алгоритмов обнаружения аномалий трафика методами дискретного вейвлет-анализа // T-Comm. - 2014. - № 9. - С. 89-97.  EDN: VRLNTN
Sheloukhin, O. I. and Filinova, A. S. (2014). Comparative Analysis of Traffic Anomaly Detection Algorithms Using Discrete Wavelet Analysis Methods. T-Comm, 9, pp. 89-97. (In Russian).  EDN: SZAUVF
13. Aguiar-Conraria L., Azevedo N., Soares M. J. Using Wavelets to Decompose the Time-Frequency Effects of Monetary Policy // Physica A: Statistical Mechanics and Its Applications. - 2008. - Vol. 387(12). - pp. 2863-2878.  DOI: 10.1016/j.physa.2008.01.063
14. Aguiar-Conraria L., Soares M. J. The Continuous Wavelet Transform: A Primer // NIPE Working Papers. - 2011. - N 16.
15. Akkoyun H. Ç., Günay M., Şen-Doğan B. Business Cycle Synchronization of Turkey with Euro Area and the US: What Has Changed After 2001? // Türkiye Cumhuriyet Merkez Bankası (Central Bank of the Republic of Turkey) Working Paper. - 2012. - N 15.
16. Akkoyun H. Ç., Oğuz A., Koçak N. A., Özmen M. U. Filtering Short Term Fluctuations in Inflation Analysis // Türkiye Cumhuriyet Merkez Bankası (Central Bank of the Republic of Turkey) Working Paper. - 2011. - N 20.
17. Alarcon-Aquino V., Barria J. A. Change Detection in Time Series Using the Maximal Overlap Discrete Wavelet Transform // Latin American Applied Research. - 2009. - Vol. 39. - pp. 145-152.
18. Álvarez L. J., Gómez-Loscos A. A Menu on Output Gap Estimation Methods // Banco de España Documentos de Trabajo. - 2017. - N 1720.
19. Ariño M. A. Time Series Forecasts Via Wavelets: An Application to Car Sales in the Spanish Market // Universidad de Navarra. - 1995.
20. Brož V., Pfeifer L., Kolcunová D. Are the Risk Weights of Banks in the Czech Republic Procyclical? Evidence from Wavelet Analysis // Czech National Bank (CNB) Working Paper Series. - 2017. - N 15.
21. Canova F. FAQ: How Do I Extract the Output Gap? // Sveriges Riksbank Working Paper Series. - 2020. - N 386.
22. Çepni O., Hacıhasanoğlu Y. S., Yılmaz M. H. Credit Decomposition and Economic Activity in Turkey: A Wavelet-Based Approach // Türkiye Cumhuriyet Merkez Bankası (Central Bank of the Republic of Turkey) Working Paper. - 2020. - N 14.
23. Charpe M., Bridji S., McAdam P. Labor Share and Growth in the Long Run // ECB Working Paper Series. - 2019. - N 2251.
24. Cotter J., Dowd K. U.S. Core Inflation: A Wavelet Analysis // SSRN Electronic Journal. - 2006.  DOI: 10.2139/ssrn.993936
25. Crowley P. M., Hudgins D. Monetary Policy Objectives and Economic Outcomes: What Can We Learn from a Wavelet-Based Optimal Control Approach? // The Manchester School. - 2022. - Vol. 90(2). - pp. 144-170.  DOI: 10.1111/manc.12391  EDN: RZHNXV
26. Crowley P. M., Hudgins D. Wavelet-Based Monetary and Fiscal Policy in the Euro Area // Journal of Policy Modeling. - 2017. - Vol. 39(2). - pp. 206-231.  DOI: 10.1016/j.jpolmod.2017.01.005
27. Dar A. B., Bhanja N., Tiwari A. K. Inflation-Industrial Growth Nexus in India - A Revisit Through Continuous Wavelet Transform // Central Bank Review. - 2014. - Vol. 14(2). - pp. 1-11.
28. Gallegati M. Wavelet Estimation of Kondratieff Waves: An Application to Long Cycles in Prices and World GDP // Kondratieff Waves: Cycles, Crises, and Forecasts / Grinin L. E., Devezas T. C., Korotayev A. V., eds. - Volgograd: ‘Uchitel’ Publishing House, 2016. - pp. 99-120.  EDN: YNQVKP
29. Goffe W. L. Wavelets in Macroeconomics: An Introduction // Computational Techniques for Econometrics and Economic Analysis. Advances in Computational Economics, Vol. 3 / Belsley D. A., ed. - Springer, 1994. - pp. 137-149.  DOI: 10.1007/978-94-015-8372-5_8
30. Haar A. Zur Theorie der Orthogonalen Funktionensysteme: Dissertation. - Gottingen: GeorgAugust-Universität zu Göttingen, 1909.
31. Haltom R., Lubik T. A., Matthes C., Verona F. Moving Macroeconomic Analysis Beyond Business Cycles // Federal Reserve Bank of Richmond Economic Brief. - 2019. - N 19-04.
32. Lubik T. A., Matthes C., Verona F. Assessing U.S. Aggregate Fluctuations Across Time and Frequencies // Federal Reserve Bank of Richmond Working Paper Series. - 2019. - N 19-06.
33. Macedo A. Signal Analysis and Coherence Using the Continuous Wavelet Transform: Major Research Paper (MRP). - North Bay, Ontario: Nipissing University, 2013.
34. Mandler M., Scharnagl M. Money Growth and Consumer Price Inflation in the Euro Area: A Wavelet Analysis // Deutsche Bundesbank Discussion Paper. - 2014. - N 33.
35. Meyer Y. Wavelets and Operators. - Cambridge: Cambridge University Press, 1993.  DOI: 10.1017/CBO9780511623820
36. Oddo L., Bosnjak M. A Comparative Analysis of the Monetary Policy Transmission Channels in the U.S.: A Wavelet-Based Approach // Applied Economics. - 2021. - Vol. 53(38). - pp. 4448-4463.  DOI: 10.1080/00036846.2021.1904113  EDN: GCVXHY
37. Özmen M. U., Yılmaz E. Co-Movement of Exchange Rates with Interest Rate Differential, Risk Premium and FED Policy in ‘Fragile Economies’ // Türkiye Cumhuriyet Merkez Bankası (Central Bank of the Republic of Turkey) Working Paper. - 2016. - N 21.
38. Percival B. D., Mofjeld H. O. Analysis of Subtidal Coastal Sea Level Fluctuations Using Wavelets // Journal of the American Statistical Association. - 1997. - Vol. 92(439). - pp. 868-880.
39. Raihan S. M., Wen Y., Zeng B. Wavelet: A New Tool for Business Cycle Analysis // Federal Reserve Bank of St. Louis Working Paper. - 2005. - N 50.  DOI: 10.20955/wp.2005.050
40. Real and Financial Cycles in EU Countries: Stylised Facts and Modelling Implications / European Central Bank, Working Group on Econometric Modelling (WGEM) Team on Real and Financial Cycles // ECB Occasional Paper Series. - 2018. - N 205.  DOI: 10.2866/630473
41. Schleicher С. An Introduction to Wavelets for Economists // Bank of Canada Working Paper. - 2002. - N 3.
42. Shizhe L. Inflation Forecasting Using a Hybrid LSTM-SARIMA Model Based on Discrete Wavelet Transform // Advances in Economics, Management and Political Sciences. - 2024. - Vol. 73. - pp. 100-108.  DOI: 10.54254/2754-1169/73/20231419  EDN: XITPUF
43. Silva N. Medidas de Núcleo de Inflação para o Brasil Baseadas no Método Wavelets? // Banco Central do Brasil Trabalhos para Discussão (Working Paper Series). - 2020. - N 528.
44. Suparti S., Caraka R. E., Warsito B., Yasin H. The Shift Invariant Discrete Wavelet Transform (SIDWT) with Inflation Time Series Application // Journal of Mathematics Research. - 2016. - Vol. 8(4). - pp. 14-20.  DOI: 10.5539/jmr.v8n4p14
45. Torrence C., Compo G. P. A Practical Guide to Wavelet Analysis // Bulletin of the American Meteorological Society. - 1998. - Vol. 79(1). - pp. 61-78.  EDN: LPIQSL
46. Torrence C., Webster P. J.Interdecadal Changes in the ENSO-Monsoon System // Journal of Climate. - 1999. - Vol. 12(8). - pp. 2679-2690.
47. Winkelmann L. Quantitative Forward Guidance and the Predictability of Monetary Policy: A Wavelet Based Jump Detection Approach // SFB 649 Discussion Paper. - 2013. - N 2013-016.

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 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

ПРОГНОЗИРОВАНИЕ ИНФЛЯЦИИ С ИСПОЛЬЗОВАНИЕМ НОВОСТНЫХ ИНДЕКСОВ (2025)

Авторы: ВОЛГИНА Е.

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.

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

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.