Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов
https://doi.org/10.18288/1994-5124-2025-2-34-55
Аннотация
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.
При поддержке: Данная статья подготовлена в рамках государственного задания РАНХиГС.
Об авторах
А. М. Гребенкина
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Россия
Россия
Алина Михайловна Гребенкина, Кандидат экономических наук, научный сотрудник Центра изучения проблем центральных банков
119571, Москва, пр. Вернадского, 84
Е. В. Синельникова-Мурылева
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Россия
Россия
Елена Владимировна Синельникова-Мурылева, Кандидат экономических наук, ведущий научный сотрудник Центра изучения проблем центральных банков
119571, Москва, пр. Вернадского, 84
Список литературы
1. Божечкова 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.
2. 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.
3. 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.
4. 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.
5. Перевышин Ю. Н. Краткосрочное прогнозирование инфляции в российской экономике // Экономическая политика. 2022. Т. 17. № 5. С. 8–25.
6. 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.
7. 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.
8. Banbura M., Giannone D., Reichlin L. Nowcasting. ECB. Working Paper No 1275. 2010.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. Ghysels 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.
15. 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.
16. 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.
17. 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.
18. Monteforte L., Moretti G. Real-Time Forecasts of Inflation: The Role of Financial Variables // Journal of Forecasting. 2013. No 32. P. 51–61.
19. 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.
20. Schorfheide F., Song D. Real-Time Forecasting With a Mixed-Frequency VAR. NBER. Working Paper No w19712. 2013. DOI: 10.3386/w19712.
Рецензия
Для цитирования:
Гребенкина А.М., Синельникова-Мурылева Е.В. Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов. Экономическая политика. 2025;20(2):34-55. https://doi.org/10.18288/1994-5124-2025-2-34-55
For citation:
Grebenkina A.M., Sinelnikova-Muryleva E.V. Inflation Forecasting in Time Series Models Using High Frequency Data. Economic Policy. 2025;20(2):34-55. (In Russ.) https://doi.org/10.18288/1994-5124-2025-2-34-55
Просмотров:
287
Послать статью по эл. почте 