УДК 330.4.
DOI: 10.36871/ek.up.p.r.2025.08.01.001
Авторы
Наталья Павловна Савина,
Российский экономический университет имени Г.В. Плеханова; Лаборатория прогнозирования топливно-энергетического комплекса Института народнохозяйственного прогнозирования РАН, Российская Федерация
Дарья Юрьевна Голыжникова,
РГУ нефти и газа (НИУ) имени И.М.Губкина; Лаборатория анализа и прогнозирования транспортно-логистических систем ИНП РАН
Богдан Витальевич Газзаев,
Финансовый университет при Правительстве Российской Федерации, г. Москва, Россия
Аннотация
Наукастинг валового внутреннего продукта (ВВП) представляет собой ключевой инструмент макроэкономического анализа, позволяющий формировать оперативные оценки текущей динамики экономической активности до выхода официальной статистики. Современные вызовы, связанные с высокой волатильностью экономических условий, требуют адаптивных и вычислительно эффективных моделей, способных учитывать как классические макроиндикаторы, так и потоки высокочастотных данных. В настоящей статье рассматриваются теоретические основы и перспективы объединения динамических факторных моделей (DFM) с методами машинного обучения для построения гибридных архитектур наукастинга. Основное внимание уделено аналитическому обзору структуры DFM, методам оценки скрытых факторов при наличии пропусков и смешанных временных частот, а также проблемам интерпретируемости и устойчивости модели к структурным сдвигам. Дополнительно обсуждаются подходы к интеграции высокочастотных источников данных – таких как транзакционная активность, мобильность и поведенческие индикаторы – в рамках наукастинг-моделей.
Ключевые слова
наукастинг, ВВП, динамические факторные модели, скрытые факторы, фильтр Калмана, машинное обучение
