В работе тестируется качество наукастов и прогнозов российского ВВП и его компонентов (в постоянных и текущих ценах) с помощью модели байесовской векторной авторегрессии с данными смешанной частотности (MFBVAR), которая является одной из наиболее продвинутых прогнозных моделей временных рядов. Она позволяет работать с данными квартальной и месячной частоты в рамках единой VAR-модели месячной частоты в пространстве состояний и учитывать внутриквартальную динамику месячных показателей, что позволяет улучшать прогнозные свойства с поступлением новой месячной информации. Также эта модель является устойчивой к проблеме неровного (рваного) края, что особенно важно при прогнозировании в реальном времени. За счет байесовского подхода к оценке с априорным распределением типа Миннесота в модели может участвовать большое количество предикторов. В статье описываются три эксперимента по псевдовневыборочному наукастингу и прогнозированию. Эксперименты различаются разной доступностью месячных данных. Показано, что эта модель позволяет существенно и статистически значимо улучшить качество наукастов и прогнозы на несколько шагов вперед для ВВП, потребления и переменных внешней торговли, а также некоторых других показателей относительно наивного бенчмарка, модели ARIMA и модели BVAR на квартальных данных. При этом тестовая выборка весьма репрезентативна и содержит два кризисных периода, а именно 2015 и 2020 годы. В оба кризиса модель достаточно точно оценивает масштабы спада и последующего восстановления экономической активности. При этом существенного улучшения качества прогнозов при поступлении новой информации не было диагностировано.