Прогнозирование экономического роста и структурной динамики

ВведениеВ экономике любой страны мира является важным прогнозирование явлений, которые могут произойти в будущие периоды. Одним из основных параметров, которые экономисты желают спрогнозировать, является прогнозирование экономического роста. Прогнозирование производится при помощи эконометрических методов, в частности анализа временных рядов. Также стоит отметить, что на изменение рынка и соответственно на экономический рост в целом влияют структурные изменения. Целью данной работы является проведения прогнозирования экономического роста с учётом тех факторов, которые могут на него повлиять, в частности различные структурные изменения. Для выполнения цели работы необходимо решить следующие задачи:Рассмотреть понятие экономического роста и уровень качества их прогнозов на текущий момент в мире;Рассмотреть, какие бывают структурные изменения и каким образом они влияют на экономический рост;Собрать релевантные данные, характеризующие экономику выбранной страны, включающие основные макроэкономические показатели. В качестве основной (зависимой) переменной, отражающей уровень экономического роста, взять валовый внутренний продукт (ВВП);Провести прогнозирование с помощью эконометрических методов (регрессионного анализа и анализа временных рядов);Сделать выводы относительно наиболее предпочтительного способа прогнозирования экономического роста.В качестве анализа была выбрана экономика США, поскольку на текущий момент горизонт значений для российской экономики является достаточно небольшим для проведения качественного прогноза. В силу того, что методы для прогнозирования любого рынка являются идентичными, на примере анализа американского рынка можно выявить те методики прогнозирования экономического роста, которые можно использовать для прогнозов относительно российского рынка в дальнейшем. Прогнозирование экономического ростаЭкономическое прогнозирование - это процесс попытки предсказать будущее состояние экономики с помощью комбинации важных и широко распространенных показателей[1].Экономическое прогнозирование предполагает построение статистических моделей с использованием нескольких ключевых переменных, или показателей, обычно в попытке определить будущие темпы роста валового внутреннего продукта (ВВП). Основные экономические показатели включают инфляцию, процентные ставки, промышленное производство, доверие потребителей, производительность труда, розничные продажи и уровень безработицы.Экономические прогнозы направлены на предсказание квартальных или годовых темпов роста ВВП - макропоказателя высшего уровня, на основе которого многие предприятия и правительства принимают решения об инвестициях, найме, расходах и других важных политиках, влияющих на совокупную экономическую активность. Руководители предприятий полагаются на экономические прогнозы, используя их в качестве руководства для планирования будущей операционной деятельности. Компании частного сектора могут иметь собственных экономистов, чтобы сосредоточиться на прогнозах, наиболее подходящих для их конкретного бизнеса (например, судоходная компания, которая хочет знать, насколько рост ВВП обусловлен торговлей). В качестве альтернативы они могут прибегнуть к услугам экономистов, или к сотрудникам аналитических центров. Понимание того, что ждет нас в будущем, также важно для государственных чиновников, помогая им определить, какую фискальную и монетарную политику следует проводить. Экономисты, работающие в федеральных, государственных или местных органах власти, играют ключевую роль, помогая политикам устанавливать параметры расходов и налогов.Поскольку политика очень пристрастна, многие рациональные люди относятся к экономическим прогнозам правительств со здоровой долей скептицизма. Ярким примером является долгосрочный прогноз роста ВВП, заложенный в Закон США о сокращении налогов и рабочих местах 2017 года, в котором прогнозируется гораздо меньший дефицит бюджета, который ляжет бременем на будущие поколения американцев - с серьезными последствиями для экономики - по сравнению с оценками независимых экономистов.Экономическое прогнозирование часто называют несовершенной наукой. Многие подозревают, что экономисты вынуждены придерживаться этой линии, создавая нереалистичные сценарии в попытке оправдать законодательство, поскольку экономические прогнозы федерального правительства, основанные зачастую на корыстных интересах, не обладают необходимой точностью[2].Экономические прогнозисты имеют богатую историю неумения предвидеть кризисы. По словам Пракаша Лунгани, помощника директора и старшего менеджера по персоналу и бюджету Международного валютного фонда (МВФ), экономисты не смогли предсказать 148 из последних 150 рецессий.Лунгани считает, что неспособность предсказать надвигающийся спад отражает давление, оказываемое на прогнозистов с целью перестраховаться. Многие, добавил он, предпочитают не отходить от консенсуса, помня о том, что смелые прогнозы могут повредить их репутации и привести к потере работы.Инвесторы также не должны забывать о субъективном характере экономических прогнозов. Прогнозы в значительной степени зависят от того, на какую экономическую теорию опирается прогнозист. Прогнозы могут значительно отличаться, например, у одного экономиста, который считает, что деловая активность определяется предложением денег, и у другого, который утверждает, что большие государственные расходы вредны для экономики[3].Многие выводы не являются результатом объективного экономического анализа. Вместо этого они регулярно формируются под влиянием личных убеждений о том, как работает экономика и ее участники. Это неизбежно означает, что влияние определенных мер политики будет оцениваться по-разному.Структурные измененияСтруктурные изменения означают резкое изменение в функционировании отрасли или рынка, обычно вызванное крупными экономическими изменениями[4].Структурные изменения меняют предположения, используемые для определения курса действий, например, меняют способ обработки рыночных ордеров. Одним из основных факторов структурных изменений являются инновации. Области экономики с крупными компонентами исследований и разработок (НИОКР) могут оказать большое влияние на существующую методологию.Например, появление смартфона стало огромным изменением как для бизнеса, так и для потребителей, поскольку спрос на такие товары, как фонарики и фотоаппараты, упал, поскольку их функциональность стала доступна каждому в составе компактного устройства, основным назначением которого было что-то другое. Это привело к разработке "приложений" (приложений) для всего, включая контроль банковского или коммерческого счета, поиск информации и совершение покупок[5].Другие факторы, которые часто могут вызвать структурные изменения, включают новые экономические тенденции, глобальные изменения в распределении капитала и рабочей силы, изменения в наличии ресурсов в результате войны или стихийного бедствия, изменения, связанные со спросом и предложением на все ресурсы, а также изменения в политическом ландшафте: либо приход к власти нового режима, либо серьезный пересмотр существующих законов, особенно в отношении регулирования и налогообложения бизнеса.К новому порядку придется адаптироваться не только бизнесу, но и рынкам. Например, на фьючерсном рынке сырая нефть обычно находится в состоянии контанго, что означает, что нефть с поставкой в будущем стоит дороже, чем спотовая нефть сегодня. Если произойдет сокращение добычи, либо по указу стран-производителей, либо из-за политической нестабильности в регионах-производителях, возникнут опасения по поводу дефицита запасов. Тогда на нефтяном рынке могут произойти структурные изменения. Спрос на нефть в ближайшем будущем может возрасти, поскольку люди будут опасаться снижения уровня предложения в будущем. Следовательно, рынок может перейти к обратному развитию, когда нефть сегодня ценится дороже, чем нефть в будущем[6].Развитие сельского хозяйства привело к появлению фабричных ферм. Даже профсоюзы вызвали изменения на рабочих местах, заставив компании адаптироваться. Распространение технологий вызывает структурные изменения в сфере услуг: интернет-магазины, киоски самозаказа в ресторанах быстрого питания, устройства с голосовым управлением для доступа к информации и заказа товаров без использования телефонного звонка или даже компьютера.На уровне страны структурные изменения в производительности могут превратить экономику из развивающейся в формирующуюся и, в конечном итоге, в развитую. Технический прогресс считается решающим фактором в осуществлении структурных изменений, поскольку он предполагает устаревание навыков, профессий и постоянные изменения в расходах и производстве[7].Ключом к осуществлению структурных изменений является динамизм, присущий данной системе. В настоящее время глобализация является движущей силой структурных изменений, которые заставляют экономику мира адаптироваться, и это возможно исключительно благодаря динамичному характеру глобальной экономической системы.Методология исследованияВ данном исследовании будут предложены две различные стратегии прогнозирования с целью изучения точности прогнозов ВВП США при включении всей доступной информации на текущий момент времени. Также производится оценка величины точности для различных горизонтов прогнозирования.Одношаговое опережающее прогнозированиеСтратегия прогнозирования на один шаг вперед рассчитывает прогноз на один квартал вперед. Это означает, что набор данных, используемых для прогнозирования, уменьшается на одно наблюдение, соответствующее горизонту прогнозирования, которое является нашим тестовым набором, а ковариаты имеют лаг в один период. В данном исследовании проводится прогнозирование ВВП для каждого квартала периода с первого квартала 2019 года до последнего квартала 2020 года. В каждом прогнозе тестовый набор сдвигается на один квартал назад, а обучающая выборка становится на один квартал короче. Важно подчеркнуть, что выбранный вневыборочный горизонт прогнозирования включает как 1 год нормального времени (2019), так и 1 год, затронутый пандемией Sars-COVID-19 (2020). Методология прогнозирования работает следующим образом:Многошаговое опережающее прогнозированиеВ стратегии прогнозирования с многошаговым опережением прогнозы выполняются на горизонте, который увеличивается при каждом прогнозе. В этом варианте конечная точка тестового периода устанавливается на последний квартал 2020 года, а начальная точка сдвигается на один квартал назад при каждом прогнозе. И ВВП, и ковариаты входят в модели с лагом, равным горизонту прогнозирования. Методология прогнозирования работает следующим образом:Максимальная длина рассматриваемого здесь горизонта прогнозирования составляет 12 кварталов с первого квартала 2018 года до последнего 2020 года.Описание данныхИзмерение экономической активности производится с помощью сезонно скорректированного реального ВВП США, выраженного с квартальной периодичностью и в логарифмической шкале. Данные охватывают период со второго квартала 1976 года по четвертый квартал 2020 года, всего 179 наблюдений, и доступны из базы данных Федерального резервного банка Сент-Луиса, Federal Reserve Economic Data, FRED[8].В исследовании используются как краткосрочные, так и долгосрочные процентные ставки федерального правительства США. Краткосрочные процентные ставки получены из казначейских векселей со сроками погашения 3 и 6 месяцев; долгосрочные процентные ставки - из государственных облигаций США со сроками погашения 2, 3, 5, 7 и 10 лет. Опираясь на методики прогнозирования и используя альтернативное представление кривой доходности через ее латентные факторы, а именно уровень, наклон и кривизну, что позволяет отразить содержащуюся в ней экономическую информацию. Уровень рассчитывается как среднее значение краткосрочных, среднесрочных и долгосрочных облигаций; в данном исследовании мы используем процентные ставки на 3 месяца, 2 и 10 лет. Кривизна оценивается вычислением двойного произведения среднесрочной доходности за вычетом самой короткой и самая длинной доходность.Чтобы расширить анализ, были введены основные наблюдаемые макроэкономические переменные. Был выбран индекс потребительских цен, коэффициент использования производственных мощностей и уровень безработицы для иллюстрации реальной экономической активности. Индекс использования производственных мощностей и индекс потребительских цен дифференцируются, чтобы сделать временные ряды стационарными.Подбор моделейKNN. Выполнив поиск по сетке, мы обнаружили, что оптимальное значение k равно 2 для обеих стратегий прогнозирования.AR. Мы используем пошаговую процедуру для выбора оптимального значения авторегрессии p, минимизируя значение AIC.ARX. Та же методология AR была применена к ARX.SARIMA. При квартальных данных ВВП сезонный период ряда составляет s = 4. Следовательно, модель становится:Порядки p, d, q и P, D, Q выбираются с помощью пошагового поиска для минимизации критерия выбора AIC.Включая набор ковариаций x′n и t в LR, ARX и SARIMAX, изучается шесть различных сценариев:Сценарий 1 = кривая доходности;Сценарий 2 = кривая доходности, макропеременные;Сценарий 3 = Макропеременные;Сценарий 4 = Прокси;Сценарий 5 = Макро-переменные, прокси;Сценарий 6 (полный) = Кривая доходности, макропеременные, прокси.Ковариатами для кривой доходности являются казначейские векселя со сроками погашения 3 и 6 месяцев и 2, 3, 5, 7 и 10 лет. Макропеременными являются индекс потребительских цен, использование производственных мощностей, уровень безработицы и ставка по федеральным фондам. Показателями являются уровень, наклон и кривизна.Линейная регрессия. Для каждого сценария и стратегии прогнозирования подбирается линейная регрессия. При прогнозировании на один шаг вперед ковариаты имеют задержку в один период. В прогнозах с многошаговым опережением ковариаты имеют задержку, равную длине горизонта прогнозирования, которая увеличивается при каждом прогнозе.Модель KNN достигает лучших результатов прогнозирования по сравнению с SARIMA и AR, спецификациями, не включающими ковариаты, как показано ниже.Другие модели, дающие хорошие прогнозы, - это модели, включающие ковариаты, а именно SARIMAX, LR и ARX. Мы заметили, что и SARIMAX, и LR имеют тенденцию завышать прогнозы ВВП. Мы также исследуем среднее значение прогнозов, полученных с помощью двух моделей (Mean LR-SARIMAX):Ниже представлены средние значения MSE. Среди всех моделей наилучшие прогнозы дает KNN. SARIMAX и ARX способны лучше прогнозировать ВВП на один шаг вперед, когда процентные ставки (Сценарий 1) и прокси (Сценарий 4) рассматриваются как ковариаты. Этот вывод остается верным и при прогнозировании с использованием стратегии многошагового опережения.В целом, прогнозы на один шаг вперед по сценариям 1 и 4 являются наиболее точными, в то время как прогноз на несколько шагов вперед с макропеременными (сценарий 3) вносит наибольший вклад в улучшение прогнозов. Средний LR-SARIMAX работает с такой же вероятностью, как и SARIMAX.Одношаговое прогнозированиеНиже показана точность прогнозирования для горизонта прогнозирования Сценария 4 (прокси). На рисунке показана точность, в терминах MSE, которой достигают подогнанные модели в каждом горизонте прогнозирования при стратегии одномоментного опережающего прогнозирования. Четко прослеживается изменение модели с наилучшими показателями в результате шока COVID-19. В частности, модели с авторегрессионным компонентом показывают лучшие результаты до второго квартала 2020 года, в то время как другие модели лучше реагируют на COVID-19. С одной стороны, KNN обеспечивает лучший вневыборочный прогноз для второго квартала 2020 года, что соответствует началу вспышки пандемии. С другой стороны, SARIMAX более точен в нормальные периоды, поскольку он достигает наименьшей ошибки прогноза для первого квартала 2019 года. То же самое относится и к AR и ARX, которые являются наиболее точными во втором квартале 2019 года. SARIMA является самой точной моделью для четвертого квартала 2019 года.Второй лучшей моделью прогнозирования является LR. Как показано на графике, она показывает хорошие результаты на всем горизонте прогнозирования. При рассмотрении отдельных сценариев, включающих LR, она превосходит другие модели, что подтверждает предсказательную силу кривой доходности в прогнозировании ВВП.Многошаговое прогнозированиеВ таблице ниже представлены результаты второго типа стратегии прогнозирования для Сценария 5 (прокси и макропеременные). На графике показан MSE моделей для каждого горизонта прогнозирования. Изменения происходят также для стратегии многошагового опережения, и модели временных рядов теряют больше всего в плане производительности после второго квартала 2020 года. Наилучшая общая производительность достигается LR с этой спецификацией. Мы подчеркиваем, что такой набор ковариаций работает лучше, чем другие комбинации, а именно сценарии 1, 2, 3, 4 и 6. Среднее значение MSE по сценарию 5 является самым низким среди моделей с ковариантами и без них. Этот результат справедлив как для периодов стабильности, так и для кризисов. Возможное объяснение заключается в том, что LR не включает авторегрессионный член ВВП, который может повлиять на эффективность прогнозирования. Следовательно, макропеременные могут быть более релевантными, улучшая прогнозирование по сравнению с авторегрессионными моделями.Выводы по прогнозуВ этой статье мы приводим сравнение предсказательной способности временных рядов, линейной регрессии и моделей машинного обучения для прогнозирования ВВП США. Мы обсуждаем преимущества для политиков регрессионного подхода по сравнению с классификацией для решения задач среднесрочной политики. Более того, мы оцениваем две различные стратегии прогнозирования, одношаговое опережающее и многошаговое опережающее, учитывая самоочевидность ВВП и важность финансовых и макроэкономических переменных как предикторов. С одной стороны, машинное обучение KNN достигает наилучшей производительности для стратегии one-step-ahead, предоставляя доказательства того, что на последующем горизонте использование повторяющихся моделей в ВВП увеличивает прогноз. С другой стороны, он теряет предсказательную силу, когда прогноз выполняется на более длительный горизонт. SARIMA демонстрирует низкие результаты в стратегиях «один шаг вперед» и «несколько шагов вперед». Включая ковариаты, SARIMAX получает меньшую ошибку в стратегии одношагового опережения, особенно в отношении казначейских векселей со сроками погашения 3 и 6 месяцев и 2, 3, 5, 7 и 10 лет (Сценарий 1). ARX достигает наилучших показателей прогнозирования в одношаговом опережении с прокси (Сценарий 4) и кривой доходности (Сценарий 1). Учитывая точность прогноза на несколько шагов вперед, кривая доходности оказалась лучшим предиктором в паре с этой моделью. Удивителен тот факт, что LR достигает наилучших результатов в прогнозировании с многошаговым опережением, используя прокси для кривой доходности и макропеременных (Сценарий 5). Более того, она достигает второго места в стратегии одношагового опережающего прогнозирования, используя в качестве предикторов только прокси-факторы и подтверждая сильную предсказательную способность кривой доходности для ВВП. В целом, мы обнаружили, что между моделями с авторегрессионным компонентом и моделями без него происходит переключение в плане эффективности прогнозирования, как для одношагового, так и для многошагового прогнозирования (см. рис. 3, 4). До отсечки - вспышки пандемии в нашем исследовании - модели временных рядов работают лучше, но после этого события LR и KNN превосходят другие подходы. Результаты нашего анализа свидетельствуют в пользу использования модели KNN для прогнозов на один шаг вперед, а модели LR с использованием финансовых переменных - для прогнозов на несколько шагов вперед. Мы предлагаем преодолеть компромисс между точностью оценок и горизонтом прогнозирования, рассматривая две стратегии прогнозирования, которые не являются взаимоисключающими. Действительно, преимущество непрерывного прогнозирования как одношагового, так и многошагового позволяет лицу, принимающему решения, иметь два полезных инструмента: с одной стороны, многошаговое обеспечивает долгосрочное видение для заблаговременного планирования инвестиций, денежной политики и т.д., с другой стороны, одношаговое прогнозирование может склонить чашу весов для возможного уточнения принятого решения.ЗаключениеТаким образом, в данной курсовой работе была предпринята попытка прогнозирования экономического роста с помощью взятия основы для анализа значения ВВП США с 1976 года по 2020 год включительно. В ходе проведения анализа была проведена сравнительная оценка двух методов прогнозирования (одноступенчатого и многоступенчатого), а также были рассмотрены несколько эконометрических моделей для прогнозирования, в том числе и технология машинного обучения. Оказалось, что модель обычной линейной регрессии является более предпочтительной для прогнозирования экономического роста. Для проведения качественного прогнозирования необходим длительный горизонт данных, отражающих значения показателей для прошлых периодов, поэтому в качестве основы исследования были взяты финансовые данные по американскому рынку. Российские релевантные данные относительно многих финансовых показателей, включая валовый внутренний продукт (ВВП) присутствуют только с конца 1990-х годов, поэтому прогнозирование экономического роста для российского рынка с помощью эконометрических методов на текущий момент не обладает большой актуальностью. Однако анализ американского рынка показал, что методы, представленные в работе, могут использоваться для прогнозирования экономического роста и анализа структурных изменений, следовательно через какое-то время можно будет использовать данные методы для прогнозирования экономического роста и других величин, характеризующих экономику, применительно к российским реалиям. Список использованной литературыAghion, P. and P. Bolton (1997). A trickle-down theory of growth and development. Review of Economic Studies, 64, 151-172.Alesina, A. and Perotti, R. (1994). The political economy of growth: a critical survey of the recent literature. World Bank Economic Review, 8, 351-371.Alesina A. and D. Rodrik (1994). Distributive politics and economic growth. Quarterly Journal of Economics, 465-490.R. Gu, W. Xiong, X. Li, Does the singular value decomposition entropy have predictive power for stock market? — Evidence from the Shenzhen stock market, Physica A: Statistical Mechanics and its Applications 439 (2015)A. N. Gorban, E. V. Smirnova, T. A. Tyukina (2010). Correlations, risk and crisis: From physiology to finance, Physica A: Statistical Mechanics and its Applications 389 (G. Cimini, T. Squartini, D. Garlaschelli, A. Gabrielli (2015) Systemic Risk Analysis on Reconstructed Economic and Financial Networks, Scientific Reports 5 C. P. Chambers, F. Echenique, K. Saito (2016) Testing theories of financial decision making, Proceedings of the National Academy of Sciences 113 Federal Reserve Economic Data (FRED), URL: https://fred.stlouisfed.org/