УДК 330.43:004.8
DOI: 10.36871/ek.up.p.r.2025.05.08.014
Авторы
Равиль Рамилевич Асмятуллин,
Российский экономический университет им. Г. В. Плеханова, Москва, Российская Федерация
Игорь Инарьевич Берсенев,
Кемеровский государственный медицинский университет Министерства здравоохранения Российской Федерации, Кемерово, Российская Федерация
Татьяна Юрьевна Хаширова,
Кабардино-Балкарский государственный университет им. Х. М. Бербекова, Нальчик, Российская Федерация
Аннотация
Повышение точности и оперативности прогнозирования макроэкономических индикаторов приобретает особую значимость в условиях экономической нестабильности и глобальных трансформаций. В статье рассматривается потенциал применения алгоритмов машинного обучения для построения адаптивных моделей, способных предсказывать ключевые макроэкономические параметры с высокой степенью точности. Разработан и протестирован комплексный подход, включающий подготовку временных экономических рядов, построение регрессионных и рекуррентных моделей, а также сравнительный анализ их эффективности по множеству метрик. Приведены примеры применения моделей для краткосрочного и среднесрочного прогнозирования валового внутреннего продукта, инфляции, уровня безработицы и процентных ставок. Особое внимание уделено вопросам интерпретации моделей, устойчивости к аномалиям и применимости в контексте государственной и инвестиционной политики. Полученные результаты подтверждают высокую информативность и практическую ценность алгоритмов машинного обучения в макроэкономическом анализе.
Ключевые слова
машинное обучение, макроэкономика, прогнозирование, временные ряды, регрессия, нейросети, LSTM, экономическая аналитика, RMSE, цифровая экономика
