Тестирование прогнозных свойств различных подходов к интервальному прогнозированию (на примере инфляции в России)

В статье изложены основные результаты исследования качества интервальных прогнозов российской инфляции на основе моделей квантильной регрессии и гладкой квантильной регрессии по сравнению с OLS-моделями. Все модели строились с учетом возможности прогнозирования в реальном времени, в связи с чем авторы использовали неочищенные от сезонности данные месячной инфляции по отношению к аналогичному периоду предыдущего года. А для каждого горизонта прогноза разрабатывалась собственная модель от лаговых значений инфляции и регрессоров таким образом, чтобы в правой части уравнения всегда использовались известные значения лаговых переменных.
Было протестировано большое количество спецификаций: от компактных авторегрессионных моделей с одним или двумя лагами до широких, включающих три дополнительных регрессора помимо лагов инфляции. Наилучшими по качеству с точки зрения типичной для подобной задачи CRPS (Continuous Ranked Probability Score) метрики оказались спецификации с добавлением единственной дополнительной переменной – обменного курса рубля к доллару.
При сужении доверительного интервала и на более дальних горизонтах прогнозирования квантильные и гладкие квантильные модели становились более качественными относительно OLS-моделей согласно метрике CRPS.
По мнению авторов, в условиях инфляционного таргетирования качественные прогнозы инфляции могут быть использованы Центральным банком Российской Федерации при проведении денежно-кредитной политики как на этапах прогнозирования будущей динамики инфляции, так и на этапе стресс-анализа российской экономики. В целом это может способствовать повышению доверия экономических агентов к Банку России в рамках концепции рациональных ожиданий

1. Koenker R., Hallock K.F. Quantile Regression // Journal of Economic Perspectives. 2001. Vol. 15. No. 4. P. 143–156. doi: https://10.1257/jep.15.4.143.

2. Koenker R. Quantile Regression: 40 Years On // Annual Review of Economics. 2017. Vol. 9. P. 155–176. doi: https://doi.org/10.1146/annurev-economics-063016-103651.

3. Fernandes M., Guerre E., Horta E. Smoothing Quantile Regressions // Journal of Business & Economic Statistics. 2021. Vol. 39. No. 1. P. 338–357. doi: https://doi.org/10.1080/07350015.2019.1660177.

4. Tsong C.C., Lee C.F. Asymmetric Inflation Dynamics: Evidence from Quantile Regression Analysis // Journal of Macroeconomics. 2011. Vol. 33. No. 4. P. 668–680. doi: https://doi.org/10.1016/j.jmacro.2011.08.003.

5. Wolters M.H., Tillmann P. The Changing Dynamics of US Inflation Persistence: A Quantile Regression Approach // Studies in Nonlinear Dynamics & Econometrics. 2015. Vol. 19. No. 2. P. 161–182. doi: https://doi.org/10.1515/snde-2013-0080.

6. Tinoco Zermeño M.Á., Venegas Martínez F., Torres Preciado V.H. Effects of Inflation on Financial Sector Performance: New Evidence from Panel Quantile Regressions // Investigación Económica. 2018. Vol. 77. No. 303. P. 94–129. URL: https://www.scielo.org.mx/scielo.php?pid=S0185-16672018000100094&script=sci_arttext&tlng=en.

7. Lopez-Salido D., Loria F. Inflation at Risk // Journal of Monetary Economics. 2024. Article 103570. doi: https://doi.org/10.1016/j.jmoneco.2024.103570.

8. Banerjee R. et al. Inflation at Risk in Advanced and Emerging Market Economies // Journal of International Money and Finance. 2024. Vol. 142. No. 4. Article 103025. doi:https://doi.org/10.1016/j.jimonfin.2024.103025.

9. Lenza M., Moutachaker I., Paredes J. Density Forecasts of Inflation: A Quantile Regression Forest Approach // ECB Working Paper Series No. 2830. 2023. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2830~81049ee58f.en.pdf.

10. Wang Y., Oka T., Zhu D. Inflation Target at Risk: A Time-varying Parameter Distributional Regression // arXiv preprint arXiv:2403.12456. 2024. URL: https://arxiv.org/abs/2403.12456.

11. Korobilis D. Quantile Regression Forecasts of Inflation Under Model Uncertainty // International Journal of Forecasting. 2017. Vol. 33. No. 1. P. 11–20. doi: https://doi.org/10.1016/j.ijforecast.2016.07.005.

12. Pfarrhofer M. Modeling Tail Risks of Inflation Using Unobserved Component Quantile Regressions // Journal of Economic Dynamics and Control. 2022. Vol. 143. Article 104493. URL: https://doi.org/10.1016/j.jedc.2022.104493.

13. Makabe Y., Norimasa Y. The Term Structure of Inflation at Risk: A Panel Quantile Regression Approach // Bank of Japan Working Paper Series No. 22-E-4. 2022. URL: https://www.boj.or.jp/en/research/wps_rev/wps_2022/data/wp22e04.pdf.

14. Korobilis D. et al. The Time-Varying Evolution of Inflation Risks // ECB Working Paper Series No. 2600. 2021. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2600~8dae8e832f.en.pdf.

15. Андреев А. Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Банк России. Серия докладов об экономических исследованиях. 2016. № 14. URL: https://www.cbr.ru/content/document/file/16726/wps_14.pdf.

16. Байбуза И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. Т. 77. № 4. С. 42–59. doi: https://doi.org/10.31477/rjmf.201804.42.

17. Стырин К. Прогнозирование инфляции в России методом динамического усреднения моделей // Деньги и кредит. 2019. Т. 78. № 1. С. 3–18. doi: https://doi.org/10.31477/rjmf.201901.03.

18. Третьяков Д.В., Фокин Н.Д. Помогают ли высокочастотные данные в прогнозировании российской инфляции? // Вестник Санкт-Петербургского университета. Экономика. 2021. Т. 37. № 2. С. 318–343. doi: https://doi.org/10.21638/spbu05.2021.206.

19. Полбин А.В., Шумилов А.В. Прогнозирование инфляции в России с помощью TVP-модели с байесовским сжатием параметров. Вопросы статистики. 2023. Т. 30. № 4. С. 22–32. doi: https://doi.org/10.34023/2313-6383-2023-30-4-22-32.

20. Пономарев Ю.Ю., Трунин П.В., Улюкаев А.В. Эффект переноса динамики обменного курса на цены в России. Вопросы экономики. 2014. № 3. С. 21–35. doi: https://doi.org/10.32609/0042-8736-2014-3-21-35.

21. Перевышин Ю., Перевышина Е. Эффект переноса процентных ставок в России в 2010–2014 годах // Экономическая политика. 2015. Т. 10. №. 5. С. 38–52.