Наукастинг валового внутреннего продукта (ВВП) представляет собой ключевой инструмент макроэкономического анализа, позволяющий формировать оперативные оценки текущей динамики экономической активности до выхода официальной статистики. Современные вызовы, связанные с высокой волатильностью экономических условий, требуют адаптивных и вычислительно эффективных моделей, способных учитывать как классические макроиндикаторы, так и потоки высокочастотных данных. В настоящей статье рассматриваются теоретические основы и перспективы объединения динамических факторных моделей (DFM) с методами машинного обучения для построения гибридных архитектур наукастинга. Основное внимание уделено аналитическому обзору структуры DFM, методам оценки скрытых факторов при наличии пропусков и смешанных временных частот, а также проблемам интерпретируемости и устойчивости модели к структурным сдвигам. Дополнительно обсуждаются подходы к интеграции высокочастотных источников данных - таких как транзакционная активность, мобильность и поведенческие индикаторы - в рамках наукастинг-моделей.