Научный архив: статьи

В статье проведена эконометрическая проверка гипотезы ожиданий для российского рынка облигаций федерального займа (ОФЗ) в периоды до и после мирового финансового кризиса с учетом перехода к режиму инфляционного таргетирования и введения жестких санкций и ограничений на движение капитала в 2022 году. С использованием системы одновременных внешне не связанных уравнений (SUR) выявлена степень связи между текущими долгосрочными процентными ставками и ожиданиями инвесторов относительно будущих краткосрочных ставок, определена степень сонаправленности движения долгосрочных и будущих краткосрочных доходностей к погашению по ОФЗ. Связь между ожидаемыми значениями краткосрочной ставки процента и длинным концом кривой доходности неоднородна на различных подпериодах. В среднем будущие процентные ставки изменяются в том же направлении, что и наклон кривой доходности, то есть форвардные ставки содержат некоторую информацию о будущих изменениях доходностей к погашению. Это говорит о возможности использования срочной структуры процентных ставок в качестве ориентира для органов власти в отношении ожиданий участников рынка. Полученные оценки коэффициентов на выборках с учетом кризисных эпизодов свидетельствуют о существенной недооценке участниками рынка рисков ускорения инфляции и ужесточения монетарной политики. Поведение длинного конца кривой доходности в период после перехода к режиму инфляционного таргетирования свидетельствует об устойчивости ожиданий по ключевой ставке в долгосрочном периоде, доверии участников рынка к регулятору и позитивной оценке его возможностей по снижению и стабилизации инфляции в долгосрочной перспективе.

Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.