Статьи в выпуске: 6
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.
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
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.