Особенности прогнозирования макроэкономических показателей на основе применения модели mean-adjusted BVAR

В статье исследуются особенности прогнозирования макроэкономических показателей с использованием модели mean-adjusted BVAR. Модель BVAR широко применяется для анализа экономических временных рядов, однако ее прогностическая способность может быть улучшена путем включения корректировки на среднее значение. Авторы проводят анализ эффективности прогнозирования на основе модели mean-adjusted BVAR на примере различных макроэкономических показателей. Исследование показало, что модель mean-adjusted BVAR эффективнее других моделей для прогнозирования инфляции, индекса промышленного производства и денежной массы. Особенно хорошо она справляется с долгосрочными прогнозами и превосходит традиционную BVAR-модель благодаря уточненной спецификации. Научная новизна проведенного исследования заключается в системном подборе оптимального гиперпараметра для априорного распределения Миннесоты и сравнении прогнозной силы mean-adjusted BVAR с конкурирующими моделями на российских данных. Результаты работы помогут улучшить качество экономических прогнозов и повысить эффективность принятия решений в условиях нестабильности экономической среды.

1. Jiang J.J., Zhong M., Klein G. Marketing category forecasting: an alternative of BVAR-artificial neural networks // Decision Sciences. 2000. Vol. 31, No. 4. Pp. 789–812.

2. Raynauld J., Simonato J.-G. Seasonal BVAR models: a search along some time domain priors // Journal of Econometrics. 1993. Vol. 55. Pp. 203–229.

3. Демешев Б.Б., Малаховская О.А. Макроэкономическое прогнозирование с помощью BVAR Литтермана // Экономический журнал Высшей школы экономики. 2016. Т. 20, № 4. С. 691–710.

4. Демешев Б.Б., Малаховская О.А. Картографирование BVAR // Прикладная эконометрика. 2016. № 3 (43). С. 118–141.

5. Шевелев А.А., Шевелева О.А. Метод BVAR: анализ динамики макроэкономических переменных России // Исследования молодых ученых: экономическая теория, социология, отраслевая и региональная экономика : сб. ст. Новосибирск, 10–13 окт. 2016 г. / под ред. О.В. Тарасовой, А.А. Горюшкина. Новосибирск : Институт экономики и организации промышленного производства СО РАН, 2016. С. 96–101.

6. Коротких О. Межстрановая BVAR-модель внешнего сектора // Деньги и кредит. 2020. Т. 79, № 4. С. 98–112. doi:10.31477/rjmf.202004.98.

7. Sims C. Macroeconomics and reality // Econometrica. 1980. Vol. 48, No. 1. Рp. 1–48.

8. Doan T., Litterman R., Sims C. Forecasting and conditional projection using realistic prior distributions // Econometric reviews. 1984. Vol. 3, No. 1. Рp. 1–100.

9. Kadiyala K.R., Karlsson S. Numerical methods for estimation and inference in Bayesian VAR-models // Journal of applied econometrics. 1997. Vol. 12, No. 2. Рp. 99–132.

10. Karlsson S. Forecasting with Bayesian vector autoregressions // Handbook of economic forecasting. 2013. Vol. 2. Рp. 791–897.

11. Koop G. Forecasting with medium and large Bayesian VARS // Journal of applied econometrics. 2013. Vol. 28, No. 2. Рp. 177–203.

12. Carriero A., Clark T., Marcellino M. Bayesian VARs: specification choices and forecast accuracy // Journal of applied econometrics. 2015. Vol. 30, No. 1. Рp. 46–73.

13. Carriero A., Kapetanios G., Marcellino M. Forecasting government bond yields with large Bayesian vector autoregressions // Journal of banking & finance. 2012. No. 36 (7). Рp. 2026–2047.

14. Рудаковский Я. Сравнение точности прогнозов между BVARи VAR-моделями по ключевым макроэкономическим показателям Беларуси // Банковский вестник. 2023. № 5 (718). С. 52–63.

15. Rudakouski Ya. Comparing forecasting accuracy between BVAR and VAR models for the Russian Economy // Higher school of economics economic journal. 2023. Vol. 27, No. 4. Pp. 506–526. doi:10.17323/1813-8691-2023-27-4-506-526.

16. Konebayev E. Forecasting a commodity-exporting small open developing economy using DSGE and DSGE-BVAR // International economic journal. 2023. Vol. 37, No. 1. Pp. 39–70. doi:10.1080/10168737.2023.2170443.

17. Chun H. Effects of Consumer sentiment, interest rate, and transaction volume on housing price using the BVAR // The Journal of humanities and social sciences. 2023. Vol. 14, No. 2. Pp. 377–390. doi:10.22143/hss21.14.2.27.

18. Ломоносов Д.А., Полбин А.В., Фокин Н.Д. Шоки спроса, предложения, ДКП и цен на нефть в российской экономике (анализ на основе модели BVAR со знаковыми ограничениями) // Вопросы экономики. 2020. № 10. С. 83–104. doi:10.32609/0042-8736-2020-10-83-104.

19. Шевелев А.А. Байесовский подход к оценке воздействия внешних шоков на макроэкономические показатели России // Мир экономики и управления. 2017. Т. 17, № 1. С. 26–40.

20. Шевелева О.А., Шевелев А.А. Байесовский подход к оценке воздействия внутренних и внешних шоков на макроэкономические показатели России // Исследования молодых ученых: экономическая теория, социология, отраслевая и региональная экономика : сб. ст. / под ред. О.В. Тарасовой, А.А. Горюшкина. Новосибирск : Институт экономики и организации промышленного производства СО РАН, 2017. С. 302–311.

21. Шарафутдинов А. Прогнозирование российских ВВП, инфляции, ставки процента и обменного курса с помощью модели DSGE-VAR // Деньги и кредит. 2023. Т. 82, № 3. С. 62–86.

22. Малкина М.Ю., Овчаров А.О. Оценка финансовой нестабильности экономических систем: разнообразие методов и моделей // Экономический анализ: теория и практика. 2019. Т. 18, № 7 (490). С. 1273–1294. doi:10.24891/ea.18.7.1273.