ecpolicyЭкономическая политикаEconomic Policy1994-51242411-2658Economic Policy10.18288/1994-5124-2025-2-34-55ecpolicy-307Research ArticleМакроэкономикаMacroeconomicsПрогнозирование инфляции с использованием высокочастотных данных в моделях временных рядовInflation Forecasting in Time Series Models Using High Frequency Datahttps://orcid.org/0000-0002-7264-5399ГребенкинаА. М.GrebenkinaA. M.

Алина Михайловна Гребенкина, Кандидат экономических наук, научный сотрудник Центра изучения проблем центральных банков

119571, Москва, пр. Вернадского, 84 

Alina M. Grebenkina, Cand. Sci. (Econ.), Researcher 

84, Vernadskogo pr., Moscow, 119571 

grebenkina-am@ranepa.ruhttps://orcid.org/0000-0001-7494-2728Синельникова-МурылеваЕ. В.Sinelnikova-MurylevaE. V.

Елена Владимировна Синельникова-Мурылева, Кандидат экономических наук, ведущий научный сотрудник Центра изучения проблем центральных банков

119571, Москва, пр. Вернадского, 84 

Elena V. Sinelnikova-Muryleva, Cand. Sci. (Econ.), Lead Researcher 

84, Vernadskogo pr., Moscow, 119571 

e.sinelnikova@ranepa.ruРоссийская академия народного хозяйства и государственной службы при Президенте Российской ФедерацииРоссияRANEPARussian Federation2025070520252023455Copyright © Гребенкина А.М., Синельникова-Мурылева Е.В., 20252025Гребенкина А.М., Синельникова-Мурылева Е.В.Grebenkina A.M., Sinelnikova-Muryleva E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.ecpolicy.ru/jour/article/view/307

В статье исследуется возможность улучшения краткосрочного прогноза инфляции при использовании высокочастотных данных о потребительских ценах в моделях временных рядов. Предпринята попытка повышения точности прогноза инфляции за счет увеличения количества наблюдений, доступных на более высокой частоте. В теоретической части работы рассмотрены преимущества и недостатки использования высокочастотных данных о ценах в моделях инфляции ADL, VAR и MIDAS, в том числе единой и смешанной частоты данных. В эмпирической части исследования анализируются последствия включения в модели прогноза индекса потребительных цен данных онлайн-индекса цен, доступных с ежедневной либо недельной частотой в 2020–2023 годах. Прогноз динамики потребительских цен, полученный в моделях VAR, MFVAR и MIDAS, включающих данные о поведении высокочастотного регрессора, сравнивается с прогнозом, полученным в одномерных бенчмарк-моделях. Вывод о различии качества краткосрочных прогнозов динамики потребительских цен в полученных моделях делается на основании различий показателей ошибки прогноза моделей. Результаты исследования свидетельствуют об улучшении в некоторых случаях качества краткосрочного вневыборочного прогноза динамики потребительских цен при учете данных об онлайн-ценах (а именно в классе многомерных моделей временных рядов при включении в модель данных на более высокой частоте). Однако с расширением горизонта прогноза ценность включения таких данных снижается. Результаты указывают на важность включения данных об онлайн-ценах в модели инфляции в дезагрегированном виде при прогнозировании ценовых тенденций ближайшего будущего.

The article examines ways to improve inflation forecasting by using high frequency consumer price data in time series models. The purpose of increasing the number of observations available at a higher frequency is to increase the accuracy of inflation forecasts. The theoretical part of the paper considers the advantages and disadvantages of using high frequency price data in ADL, VAR and MIDAS inflation models with both single and mixed data frequency. The empirical section traces out the effects of including an online price index available at a daily or weekly frequency during the period from 2020 to 2023 in the forecast model for the consumer price index. The article compares the forecasts of consumer prices by applying the VAR, MFVAR and MIDAS models which include data from a high frequency regressor with the forecasts obtained through auto-ARIMA models. The conclusion about the difference in the quality of the short-term forecast of consumer price dynamics in these models is based on the difference of the forecast error indicator of the models. The results provide some evidence that short-term out-of-sample CPI dynamic forecasting becomes more accurate when online price data is included (namely in the class of multidimensional time series models when data is included in the model at a higher frequency). However, the advantage derived from including high frequency online price data in models decreases as the forecast horizon is extended. The results show the importance of including online price data in inflation models in a disaggregated form while forecasting price trends of the nearest future.

инфляцияпрогнозошибка прогнозаанализ данных смешанной частотыinflationforecastforecast errormixed frequency data modelsДанная статья подготовлена в рамках государственного задания РАНХиГС.The article was written on the basis of the RANEPA state assignment research programme.ReferencesБожечкова А. В., Евсеев А. С. Анализ жесткости цен в розничной онлайн-торговле Москвы // Экономическая политика. 2020. № 15(5). С. 32–59. DOI: 10.18288/1994-5124-2020-5-32-59.Bozhechkova A. V., Evseev A. S. Analiz zhestkosti tsen v roznichnoy onlayn-torgovle Moskvy [Price Rigidity Analysis: Evidence From the E-Commerce Market]. Ekonomicheskaya Politika [Economic Policy], 2020, no. 15(5), pp. 32-59. DOI: 10.18288/1994-5124-2020-5-32-59. (In Russ.)Дьячкова Н.Ф. Подходы к построению высокочастотных ценовых индексов с использованием онлайн-данных//V Российский экономический конгресс «РЭК-2023». Т. III: тематическая конференция «Макроэкономика и экономический рост»: сборник тезисов докладов. Екатеринбург, 11-15 сентября 2023 г. Москва: Новая экономическая ассоциация, 2023. С. 27-30. https://www.econorus.org/pdf/Volume03_REC-2023.pdf.Dyachkova N. F. Podkhody k postroeniyu vysokochastotnykh tsenovykh indeksov s ispol’zovaniem onlayn-dannykh [Approaches to Constructing High Frequency Price Indices Using Online Data]. In: Rossiyskiy ekonomicheskiy kongress “REK-2023”. Vol. III: Tematicheskaya konferentsiya “Makroekonomika i ekonomicheskiy rost”: sbornik tezisov dokladov [Macroeconomics and Economic Growth Thematic Session at the Fifth Russian Economic Congress (REC-2023), Collection of Abstracts], Yekaterinburg, September 11-15. Moscow, New Economic Association, 2023, pp. 27-30. https://www.econorus.org/pdf/Volume03_REC-2023.pdf. (In Russ.)Евсеев А. С., Латыпов Р. Р., Постолит Е. А., Синельникова-Мурылева Е. В. Технические и методологические проблемы сбора данных о ценах онлайн-ретейлеров // Экономическое развитие России. 2022. Т. 29. № 11. С. 36–45.Evseev A.S., Latypov R.R., Postolit E.A., Sinelnikova-Muryleva E.V. Tekhnicheskie i metodologicheskie problemy sbora dannykh o tsenakh onlayn-rеteylerov [Technical and Methodological Challenges in Collecting Price Data From Online Retailers]. Ekonomicheskoe razvitie Rossii [Russian Economic Development], 2022, vol. 29, no. 11, pp. 36-45. (In Russ.)Исаков А., Лапытов Р., Репин А., Постолит Е., Евсеев А., Синельникова-Мурылева Е. Твердые цифры: открытые микроданные о потребительских ценах // Деньги и кредит. 2021. № 80(1). С. 104–119. DOI:10.31477/rjmf.202101.104.Isakov A., Latypov R., Repin A., Postolit E., Evseev A., Sinelnikova-Muryleva E. Tverdye tsifry: otkrytye mikrodannye o potrebitel’skikh tsenakh [Hard Numbers: Open Consumer Price Database]. Den’gi i kredit [Russian Journal of Money and Finance], 2021, no. 80(1), pp. 104-119. DOI: 10.31477/rjmf.202101.104. (In Russ.)Перевышин Ю. Н. Краткосрочное прогнозирование инфляции в российской экономике // Экономическая политика. 2022. Т. 17. № 5. С. 8–25.Perevyshin Yu. N. Kratkosrochnoe prognozirovanie inflyatsii v rossiyskoy ekonomike [Short-Term Inflation Forecasting in the Russian Economy]. Ekonomicheskaya Politika [Economic Policy], 2022, no. 5, pp. 8-25. (In Russ.)Alper C., Fendoglu S., Saltoglu B. MIDAS Volatility Forecast Performance Under Market Stress: Evidence From Emerging Stock Markets // Economics Letters. 2012. No 117(2). P. 528–532. DOI:10.1016/j.econlet.2012.05.037.Alper C., Fendoglu S., Saltoglu B. MIDAS Volatility Forecast Performance Under Market Stress: Evidence From Emerging Stock Markets. Economics Letters, 2012, no. 117(2), pp. 528-532. DOI:10.1016/j.econlet.2012.05.037.Aparicio D., Bertolotto M. Forecasting Inflation With Online Prices // International Journal of Forecasting. 2020. No 36(2). P. 232–247. DOI:10.1016/j.ijforecast.2019.04.018.Aparicio D., Bertolotto M. Forecasting Inflation With Online Prices. International Journal of Forecasting, 2020, no. 36(2), pp. 232-247. DOI:10.1016/j.ijforecast.2019.04.018.Banbura M., Giannone D., Reichlin L. Nowcasting. ECB. Working Paper No 1275. 2010.Banbura M., Giannone D., Reichlin L. Nowcasting. ECB, Working Paper no. 1275, 2010.Breitung J., Roling C. Forecasting Inflation Rates Using Daily Data: A Nonparametric MIDAS Approach // Journal of Forecasting. 2015. No 34. P. 588–603. DOI:10.1002/for.2361.Breitung J., Roling C. Forecasting Inflation Rates Using Daily Data: A Nonparametric MIDAS Approach. Journal of Forecasting, 2015, no. 34, pp. 588-603. DOI:10.1002/for.2361.Cavallo A. Are Online and Offline Prices Similar? Evidence From Large Multi-Channel Retailers // American Economic Review. 2017. No 107(1). P. 283–303. DOI: 10.1257/aer.20160542.Cavallo A. Are Online and Offline Prices Similar? Evidence From Large Multi-Channel Retailers. American Economic Review, 2017, no. 107(1), pp. 283-303. DOI: 10.1257/aer.20160542.Cavallo A., Rigobon R. The Billion Price Project: Using Online Prices for Measurement and Research // Journal of Economic Perspectives. 2016. No 30(2). P. 151–178. DOI: 10.1257/jep.30.2.151.Cavallo A., Rigobon R. The Billion Price Project: Using Online Prices for Measurement and Research. Journal of Economic Perspectives, 2016, no. 30(2), pp. 151-178. DOI: 10.1257/jep.30.2.151.Gabrielyan D. Forecasting Inflation Using the Phillips Curve in Inflation Targeting Countries // International Review of Applied Economics. 2019. No 33(5). P. 601–623. DOI:10.1080/02692171.2018.1516740.Gabrielyan D. Forecasting Inflation Using the Phillips Curve in Inflation Targeting Countries. International Review of Applied Economics, 2019, no. 33(5), pp. 601-623. DOI:10.1080/02692171.2018.1516740.Ghysels E. Macroeconomics and the Reality of Mixed Frequency Data // Journal of Econometrics. 2016. No 193. P. 294–314. DOI: 10.1016/j.jeconom.2016.04.008.Ghysels E. Macroeconomics and the Reality of Mixed Frequency Data. Journal of Econometrics, 2016, no. 193, pp. 294-314. DOI: 10.1016/j.jeconom.2016.04.008Ghysels E., Kvedaras V., Zemlys V. Mixed Frequency Data Sampling Regression Models: The R Package midasr // Journal of Statistical Software. 2016. No 72(4). P. 1–35. DOI: 10.18637/jss.v072.i04.Ghysels E., Kvedaras V., Zemlys V. Mixed Frequency Data Sampling Regression Models: The R Package midasr. Journal of Statistical Software, 2016, no. 72(4), pp. 1-35. DOI: 10.18637/jss.v072.i04.Ghysels E., Sinko A., Valkanov R. MIDAS Regressions: Further Results and New Directions // Econometric Reviews. 2007. No 26(1). P. 53–90. DOI: 10.1080/07474930600972467.Ghysels E., Sinko A., Valkanov R. MIDAS Regressions: Further Results and New Directions. Econometric Reviews, 2007, no. 26(1), pp. 53-90. DOI: 10.1080/07474930600972467.Kuzin V., Marcellino M., Schumacher C. MIDAS vs. Mixed-Frequency VAR: Nowcasting GDP in the Euro Area // International Journal of Forecasting. 2011. No 27(2). P. 529–542. DOI: 10.1016/j.ijforecast.2010.02.006.Kuzin V., Marcellino M., Schumacher C. MIDAS vs. Mixed-Frequency VAR: Nowcasting GDP in the Euro Area. International Journal of Forecasting, 2011, no. 27(2), pp. 529-542. DOI: 10.1016/j.ijforecast.2010.02.006.Kvedaras V., Zemlys V. Testing the Functional Constraints on Parameters in Regressions With Variables of Different Frequency // Economics Letters. 2012. No 116(2). P. 250–254. DOI:10.1016/j.econlet.2012.03.009.Kvedaras V., Zemlys V. Testing the Functional Constraints on Parameters in Regressions With Variables of Different Frequency. Economics Letters, 2012, no. 116(2), pp. 250-254. DOI:10.1016/j.econlet.2012.03.009.Monteforte L., Moretti G. Real-Time Forecasts of Inflation: The Role of Financial Variables // Journal of Forecasting. 2013. No 32. P. 51–61.Monteforte L., Moretti G. Real-Time Forecasts of Inflation: The Role of Financial Variables. Journal of Forecasting, 2013, no. 32, pp. 51-61.Öğünç F., Akdoğan K., Başer S., Chadwick M., Ertuğ D., Hülagü T., Kösem S., Özmen M., Tekatlı N. Short-Term Inflation Forecasting Models for Turkey and Forecast Combination Analysis // Economic Modelling. 2013. No 33. P. 312–325.Öğünç F., Akdoğan K., Başer S., Chadwick M., Ertuğ D., Hülagü T., Kösem S., Özmen M., Tekatlı N. Short-Term Inflation Forecasting Models for Turkey and Forecast Combination Analysis. Economic Modelling, 2013, no. 33, pp. 312-325.Schorfheide F., Song D. Real-Time Forecasting With a Mixed-Frequency VAR. NBER. Working Paper No w19712. 2013. DOI: 10.3386/w19712.Schorfheide F., Song D. Real-Time Forecasting With a Mixed-Frequency VAR. NBER, Working Paper no. w19712, 2013. DOI: 10.3386/w19712.

The authors declare that there are no conflicts of interest present.