Применение искусственного интеллекта для мониторинга инфляции

В статье рассматривается возможность применения технологий искусственного интеллекта для повышения эффективности мониторинга инфляционных процессов. Цель исследования – на основе анализа использования технологий искусственного интеллекта, практикуемых в зарубежных странах на финансовом рынке, оценить потенциальные перспективы внедрения нейронных сетей в деятельность статистических служб для повышения оперативности и точности предоставляемой статистической информации на примере индекса потребительских цен (ИПЦ). Новизна исследования заключается в разработке такой структуры нейронной сети, которая позволит таргетировать одновременно и инфляцию спроса, и инфляцию предложения. Предполагается, что ядром этой технологии станет модульная управляемая рекуррентная нейронная сеть, архитектура которой была разработана для решения данной конкретной задачи. Принимая на входах и обрабатывая в скрытых слоях ежедневные значения макрои микроэкономических переменных, способных оказать воздействие на инфляционную динамику, нейронная сеть будет рассчитывать на выходе ежедневное значение ИПЦ. Если это значение окажется больше целевого уровня инфляции, установленного Банком России, то нейронная сеть при обратном распространении ошибки будет выдавать рекомендации по корректировке некоторых весовых коэффициентов нейронной сети и значений самих макро- и микроэкономических переменных для снижения уровня инфляции. В работе делается вывод о том, что только комплексный подход в борьбе с таким сложным экономическим явлением, как инфляция, состоящий в учете не только инфляции спроса, но и инфляции предложения, принесет ощутимые результаты. 

1. Шибанов О.К. Уроки для центральных банков: инфляция 2021–2023 гг. // Журнал Новой экономической ассоциации. 2024. № 1(62). С. 240–245. doi: https://doi.org/10.31737/22212264_2024_1_240-245.

2. Buchanan B.G. Artificial Intelligence in Finance. Alan Turing Institute. Seattle University, 2019. 45 p. doi: https://doi.org/10.5281/zenodo.2612537.

3. Ernst E., Merola R., Samaan D. The Economics of Artificial Intelligence: Implications for the Future of Work // IZA Journal of Labor Policy. 2019. Vol. 9. Iss. 1. P. 1–35. doi: https://doi.org/10.2478/izajolp-2019-0004.

4. Kaliraj P., Devi T. Artificial Intelligence Theory, Models, and Applications. New York: Auerbach Publications, 2021. 506 p. doi: https://doi.org/10.1201/9781003175865.

5. Cho K. et al. Learning Phrase Representations Using RNN Encoder–Decoder for Statistical Machine Translation // In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). Doha, Qatar: Association for Computational Linguistics, 2014. P. 1724–1734. doi: https://doi.org/10.3115/v1/D14-1179.

6. Bahoo S. et al. Artificial Intelligence in Finance: АComprehensive Review Through Bibliometric and Content Analysis // SN Business and Economics. 2024. Vol. 4. No. 23. P. 1–46. doi: https://doi.org/10.1007/s43546-023-00618-x.

7. Nabipour M. et al. Predicting Stock Market Trends Using Machine Learning and Deep Learning Algorithms Via Continuous and Binary Data; a Comparative Analysis // IEEE Access. 2020. Vol. 8. P. 150199–150212. doi: https://doi.org/10.1109/ACCESS.2020.3015966.

8. Max R., Kriebitz A., Von Websky C. Ethical Considerations About the Implications of Artificial Intelligence in Finance // L. San-Jose, J.L. Retolaza, L.van Liedekerke (eds). Handbook on Ethics in Finance. International Handbooks in Business Ethics. Springer Cham, 2021. P. 577–592. doi: https://doi.org/10.1007/978-3-030-29371-0_21.

9. Jain R., Vanzara R., Sarvakar K. The Rise of AI and ML in Financial Technology: An In-depth Study of Trends and Challenges // A. Kumar, S. Mozar (eds). 6th Int. Conference on Communications and Cyber Physical Engineering // Lecture Notes in Electrical Engineering. Singapore: Springer, 2024. Vol. 1096. P. 329–341. doi: https://doi.org/10.1007/978-981-99-7137-4_32.

10. Bankins S., Formosa P. The Ethical Implications of Artificial Intelligence (AI) for Meaningful Work // Journal of Business Ethics. 2023. Vol. 185(4). P. 725–740. doi: https://doi.org/10.1007/s10551-023-05339-7.

11. Cho O.H. Analysis of the Impact of Artificial Intelligence Applications on the Development of Accounting Industry // Nanotechnology and Perceptions. 2024. Vol. 20(S.1). P. 74–83. doi: https://doi.org/10.62441/nano-ntp.vi.390.

12. De La Rosa W., Bechler C.J. Unveiling the Adverse Effects of Artificial Intelligence on Financial Decisions Via the AI-IMPACT Model // Current Opinion in Psychology. 2024. Vol. 58. 101843. doi: https://doi.org/10.1016/j.copsyc.2024.101843.

13. Bareith T., Tatay T., Vancsura L. Navigating Inflation Challenges: AI-Based Portfolio Management Insights // Risks. 2024. № 12(3). P. 1–16. doi: https://doi.org/10.3390/risks12030046.

14. Theoharidis A.F., Guillén D.A., Lopes H. Deep Learning Models for Inflation Forecasting // Applied Stochastic Models in Business and Industry. 2023. Vol. 39. No. 3. P. 447–470. doi: https://doi.org/10.1002/asmb.2757.

15. Masini R.P., Medeiros M.C., Mendes E.F. Machine Learning Advances for Time Series Forecasting // Journal of Economic Surveys. 2023. Vol. 37. No. 1. P. 76–111. doi: https://doi.org/10.1111/joes.12429.

16. Калинин А.М., Волин И.А. Информационные источники для расчета индекса потребительских цен: большие данные сети Интернет и систем ФНС России // Вопросы статистики. 2022. Т. 29. № 1. P. 44–51. doi: https://doi.org/10.34023/2313-6383-2022-29-1-44-51.

17. Мишкин Ф.С. Экономическая теория денег, банковского дела и финансовых рынков, 7-е издание: Пер. с англ. М.: ООО «И.Д. Вильямс». 2006. 874 c.

18. Иванченко И.С. Исследование российского трансмиссионного механизма денежно-кредитной политики // Финансы и кредит. 2006. № 14. C. 2–11.

19. Рашид Т. Создаем нейронную сеть.: Пер. с англ. СПб.: ООО «Альфа-книга», 2017. 272 c. URL: https://datafinder.ru/files/AI/Sozdaem-nei-774-ronnuyu-setRashid-Tarik.pdf.

20. Иванченко И.С., Ниворожкина Л.И. Оценка воздействия денежной массы на темпы прироста российского ВВП // Финансы: теория и практика. 2025. Т. 29. № 1. C. 34–44. doi: https://doi.org/10.26794/2587-5671-2025-29-1-34-44.