Тезисы статьи опубликованы в материалах 16-й Международной научно-практической конференции студентов и аспирантов «Статистические методы анализа экономики и общества»
Аннотация
Современная эконометрика переживает значительные изменения под влиянием внедряемого искусственного интеллекта (ИИ) и методов машинного обучения, которые становятся мощными инструментами в анализе и прогнозировании экономических процессов. Особенно значительны их эффекты в финансовом секторе, где высокие требования к прогнозированию и обработке больших объемов данных сделали технологии ИИ неотъемлемой частью аналитики. Исследования Банка России и международного финансового сообщества на примере Банка Англии показывают, что использование больших данных и нейросетевых моделей позволяют как никогда до этого повысить точность прогнозирования экономических показателей, автоматизировать риск-менеджмент и улучшить кредитный анализ.
Введение
В последние годы экономика — как национальная, так и глобальная — сталкивается с растущей неопределённостью, усилением волатильности рынков и усложнением финансовых процессов. Пандемия COVID-19, экономические санкции, современный экономический протекционизм и общая цифровая трансформация поставили под вопрос пригодность устоявшихся инструментов макро- и микроэкономического анализа. На этом фоне возникает объективная потребность в новых подходах, способных оперативно и точно отражать динамику экономических процессов. Одним из таких подходов стало применение методов искусственного интеллекта (ИИ), обладающих высокой гибкостью и способностью к самообучению. Такой разрыв между традиционными возможностями и современными требованиями к аналитике можно с полным основанием назвать революцией в эконометрике — переходом от линейных и предопределённых моделей к интеллектуальным, адаптивным и самонастраивающимся системам анализа.
Современные методы ИИ позволяют выявлять сложные нелинейные зависимости, обрабатывать массивные объемы данных в реальном времени и адаптироваться к изменениям рыночной среды. Международный опыт, в частности практика Банка Англии [1], подтверждает, что сочетание эконометрических подходов и ИИ становится новым стандартом аналитической практики в финансовом секторе. Наряду с этим, отечественные исследования, в частности работа Семитуркина и Шевелева из Банка России [2], демонстрируют высокий потенциал применения методов машинного обучения. Их исследование показало, что модели машинного обучения, такие как «градиентный бустинг» (Gradient Boosting) и «случайный лес» (Random Forest), демонстрируют более высокую точность при долгосрочном прогнозировании инфляции по сравнению с традиционными эконометрическими методами.
Необходимо отметить, что интеграция ИИ в эконометрику сопряжена с рядом вызовов. Среди них — отсутствие интерпретируемости («прозрачности») моделей, зачастую возникающие трудности с соблюдением нормативных требований, а также риски, связанные с переобучением моделей ИИ или ошибочным использованием исходных данных. В этой связи возрастает интерес к гибридным моделям, сочетающим математическую строгость эконометрики и вычислительную мощность ИИ.
В статье предпринята попытка систематизировать текущие подходы к применению методов ИИ в рамках эконометрического анализа на примерах исследований Банка России и Банка Англии. Статья состоит из нескольких разделов. В следующем разделе представлено краткое описание исторического контекста развития эконометрики и искусственного интеллекта. Затем рассматривается методология исследования и проводится сравнительный анализ практик применения ИИ в эконометрике на примере Банка России и Банка Англии. Далее обсуждаются ключевые преимущества и вызовы интеграции ИИ, включая интерпретируемость моделей и регуляторные аспекты.
Исторический контекст развития эконометрики и искусственного интеллекта
Первые теоретические разработки по нейронным сетям и логическим алгоритмам датируются 1950–1960-ми годами, однако до 2000-х годов ИИ оставался в основном теоретической концепцией, ограниченной вычислительными ресурсами и узкими сферами применения. Ситуация радикально изменилась в последние годы с наступлением эпохи Big Data, характеризующейся массовым накоплением, высокой скоростью обновления и структурным разнообразием цифровых данных, наряду с широким распространением облачных технологий и GPU-вычислений (графических процессоров, обеспечивающих параллельные вычисления высокого объёма).
Современные ИИ-системы, особенно на базе машинного обучения (ML) — алгоритмов, способных обучаться на исторических данных без явного программирования, — и глубокого обучения (deep learning), основанного на многоуровневых нейронных сетях, позволяют строить высокоточные прогнозы, выявлять сложные нелинейные зависимости и адаптироваться к быстро меняющейся информации. Эти особенности делают ИИ особенно привлекательным для эконометрики, где часто требуется работа с данными, содержащими высокий уровень шума (noisy data) — то есть случайных колебаний, ошибок измерений и выбросов, нестационарными и многомерными данными.
Примером такого подхода является работа английских экономистов S. Chakraborty и A. Joseph [3], в которой оценивались возможности нейронных сетей для среднесрочного прогнозирования инфляции в Великобритании. Исследование показало преимущество ИИ-моделей перед традиционными авторегрессионными подходами (AR), в которых текущее значение переменной объясняется её собственными предыдущими значениями. Аналогичные выводы были сделаны в более масштабной выборке за авторством экономиста Jung [4], охватившей прогноз роста реального ВВП в семи странах, где ИИ-модели стабильно превосходили прогнозы, строившиеся по традиционным методикам МВФ.
В российской практике Иван Байбуз, в прошлом студент Высшей школы экономики, [5] продемонстрировал состоятельность методов машинного обучения для задач инфляционного прогнозирования на базе 92 макроэкономических показателей. Он показал, что ансамблевые методы, такие как случайный лес и градиентный бустинг, на горизонте более двух месяцев существенно превосходят AR-модели по точности. Е. Павлов, в работе «Прогнозирование инфляции с использованием нейронных сетей: эмпирические результаты для России» [6] пришёл к аналогичным результатам при тестировании нейронных сетей.
Отдельный интерес представляет работа сотрудников Банка России за авторством Мамедли и Шибитова, [7], где исследуются возможности прогнозирования на винтажных данных с применением ансамблевых моделей и эластичной сети (Elastic Net). Стоит отдельно указать, что под «винтажными данными» имеется ввиду данные, доступные на момент принятия решения в прошлом, без учёта последующих корректировок или уточнений. Их использование позволяет реалистично оценить, как модель работала бы в условиях «живого времени», имитируя настоящую информационную среду. Показано, что ИИ-модели не только устойчивы к шуму и сезонным колебаниям, но и сохраняют адекватность прогноза при смене структуры данных. В совокупности, эти исследования демонстрируют устойчивую тенденцию к интеграции ИИ в прикладную эконометрику, основанную как на классических методах, так и на адаптивных вычислительных подходах нового поколения.
Методология исследования и сравнительный анализ практик применения ИИ в эконометрике на примере Банка России и Банка Англии
Методологическая основа данного исследования заключается в сопоставлении подходов к применению методов машинного обучения (ML) и искусственного интеллекта в сфере эконометрического прогнозирования на примере двух центральных банков — Банка Англии и Банка России. В качестве эмпирической базы использованы публикации Банка России [2] и аналитические обзоры Банка Англии по постпандемическому внедрению ИИ-инструментов в макроэкономический анализ [1].
В свою очередь, авторы упомянутого обзора Банк Англии [1] проводят исследование использования моделей машинного обучения при мониторинге потребительской активности и кредитного риска в посткризисный период. Применялись как методы кластеризации и факторного анализа, так и нейросетевые модели, позволяющие выявлять скрытые паттерны в динамике данных. Особое внимание уделяется интерпретируемости моделей и управлению рисками при их внедрении в регуляторную практику. Кроме того, акцент делается на институциональных и операционных аспектах интеграции ИИ — включая оценку рисков, вопросы интерпретируемости и использование решений сторонних поставщиков, особенно в условиях кризисов, таких как пандемия COVID-19.
В исследовании Банка России [2] рассматривались ансамблевые модели машинного обучения, включая градиентный бустинг (Gradient Boosting — метод, при котором модели строятся последовательно: каждая новая модель обучается на ошибках предыдущей. Таким образом, шаг за шагом система уточняет прогноз. Это как серия уточнений, где каждая итерация «учится» на том, что было предсказано неправильно ранее. Итоговая модель получается более точной за счёт накопленного исправления ошибок, случайный лес (Random Forest — метод машинного обучения, который строит множество «деревьев решений» и объединяет их результаты. Каждое «дерево» даёт свой прогноз, а итоговый результат получается голосованием всех деревьев. Такой подход позволяет повысить точность и устойчивость прогноза, особенно в условиях нестабильных и многомерных данных). Данные охватывали временной горизонт до двух лет и включали переменные, отражающие курсовую динамику, инфляционную инерцию и статистику по потребительским ценам. Для повышения качества оценки была использована техника кросс-валидации (с разбиением выборки на обучающую и тестовую части для объективной оценки модели), прогнозирование в режиме псевдореального времени (то есть с имитацией условий, при которых на момент построения прогноза доступны только исторические данные), а также тест Диболда-Мариано (статистический тест, применяемый для сравнения точности двух конкурирующих прогнозов) для сравнительного анализа прогностической точности.
Основным выводом исследования стало то, что указанные модели машинного обучения обеспечивают более точные прогнозы по сравнению с классическими эконометрическими моделями ARIMA (авторегрессионная интегрированная скользящая средняя) и ARIMAX (расширенная модель ARIMA, включающая экзогенные переменные), особенно при прогнозировании на средне- и долгосрочную перспективу (от одного года до двух лет). Особенно значимый прирост точности отмечен в случаях, когда применялись методы комбинирования прогнозов (blended forecasting) — взвешенное объединение результатов указанных ML-моделей.
Преимущества и вызовы интеграции ИИ в эконометрику
Применение методов искусственного интеллекта в эконометрике открывает широкие возможности для повышения точности прогнозов, гибкости моделей и автоматизации аналитических процессов. В отличие от традиционных статистических моделей, алгоритмы машинного обучения способны выявлять сложные, в том числе нелинейные, зависимости между экономическими показателями, адаптироваться к изменениям во входных данных и эффективно обрабатывать большие объёмы информации в реальном времени.
К числу ключевых преимуществ ИИ в эконометрических приложениях относятся:
· Увеличение точности прогнозов: особенно на длинных горизонтах, благодаря способности моделей улавливать сложные взаимосвязи между переменными;
· Гибкость моделей: возможность работы с нестационарными, шумными и высокоразмерными данными;
· Автоматизация анализа: сокращение времени и трудозатрат на построение и тестирование моделей;
· Обновляемость: модели могут дополнительно обучаться по мере поступления новых данных без необходимости полной перестройки.
Вместе с тем, интеграция ИИ в эконометрику сопровождается рядом серьёзных вызовов, среди которых:
· Отсутствие интерпретируемости: многие модели, особенно нейросетевые, функционируют как «чёрные ящики», что затрудняет объяснение результатов;
· Риски переобучения: особенно в условиях небольших выборок и высокой волатильности данных;
· Регуляторная неопределённость: отсутствие чётких стандартов и требований к использованию ИИ на официальном уровне;
· Необходимость высокого качества данных: ИИ-чувствительные модели особенно уязвимы к шуму, выбросам (то есть отдельным значениям, резко отклоняющимся от общего распределения данных).
Перспективы дальнейшего развития
Текущая практика применения ИИ в эконометрике свидетельствует о том, что данное направление будет играть всё более значимую роль в аналитике как на уровне государственных институтов, так и в частном секторе.
В ближайшие годы можно ожидать активного развития гибридных аналитических моделей, сочетающих интерпретируемость эконометрических подходов с вычислительной мощностью методов машинного обучения. При этом особое значение приобретёт развитие технологий объяснимого ИИ (Explainable Artificial Intelligence, XAI) — совокупности методов, позволяющих интерпретировать работу моделей, объяснять, по каким причинам и на основании чего они принимают те или иные решения, и выявлять, какие факторы влияют на прогноз. Это особенно важно в финансовой сфере, где модели влияют на принятие макроэкономических и регуляторных решений и требуют высокой степени прозрачности и обоснованности результатов.
Таким образом, интеграция ИИ в эконометрику представляет собой не просто технологическую эволюцию, а переход к новому этапу развития прикладного экономического анализа, основанного на синтезе гибкости, точности и институциональной ответственности. Это подтверждается результатами эмпирических исследований [3, 5, 7], выводами ведущих международных организаций, включая Банк Англии [1] и МВФ [4], а также российскими экономистами и специалистами Банка России [2].
Эффективное и этичное использование ИИ в эконометрике потребует нормативной поддержки, прозрачности интерпретируемости моделей и согласованных стандартов, без которых цифровая трансформация может оказаться фрагментарной и даже рискованной.
Список литературы
1. Bholat D., Gharbawi M., Thew O. The impact of Covid on machine learning and data science in UK banking // Bank of England Quarterly Bulletin. 2020. URL: https://www.bankofengland.co.uk/quarterly-bulletin/2020/2020-q4/the-impact-of-covid-on-machine-learning-and-data-science-in-uk-banking
2. Семитуркин О.Н., Шевелев А.А. Прогнозирование региональной инфляции с использованием методов машинного обучения: макрорегион «Сибирь» // Рабочий документ Банка России. 2022. № 91. URL: https://www.cbr.ru/ec_research/ser/wp_91/
3. Chakraborty C., Joseph A. Machine Learning at Central Banks // Bank of England Working Paper. – 2017. – № 674.
4. Jung J., Patnam M., Ter-Martirosyan A. An Algorithmic Crystal Ball: Forecast-based on Machine Learning // IMF Working Paper. – 2018. – № 18/230.
5. Байбуз И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 4. С. 42–59.
6. Павлов Е. Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. 2020. № 1. С. 57–73.
7. Мамедли М., Шибитов Д. Прогнозирование ИПЦ в России на винтажных данных и с использованием методов машинного обучения // Банк России. 2021. URL: https://www.cbr.ru/ec_research/prognozirovanie-ipc-v-rossii-na-vintazhnykh-dannykh-i-s-ispol-zovaniem-metodov-mashinnogo-obucheniya/
Современная эконометрика переживает значительные изменения под влиянием внедряемого искусственного интеллекта (ИИ) и методов машинного обучения, которые становятся мощными инструментами в анализе и прогнозировании экономических процессов. Особенно значительны их эффекты в финансовом секторе, где высокие требования к прогнозированию и обработке больших объемов данных сделали технологии ИИ неотъемлемой частью аналитики. Исследования Банка России и международного финансового сообщества на примере Банка Англии показывают, что использование больших данных и нейросетевых моделей позволяют как никогда до этого повысить точность прогнозирования экономических показателей, автоматизировать риск-менеджмент и улучшить кредитный анализ.
Введение
В последние годы экономика — как национальная, так и глобальная — сталкивается с растущей неопределённостью, усилением волатильности рынков и усложнением финансовых процессов. Пандемия COVID-19, экономические санкции, современный экономический протекционизм и общая цифровая трансформация поставили под вопрос пригодность устоявшихся инструментов макро- и микроэкономического анализа. На этом фоне возникает объективная потребность в новых подходах, способных оперативно и точно отражать динамику экономических процессов. Одним из таких подходов стало применение методов искусственного интеллекта (ИИ), обладающих высокой гибкостью и способностью к самообучению. Такой разрыв между традиционными возможностями и современными требованиями к аналитике можно с полным основанием назвать революцией в эконометрике — переходом от линейных и предопределённых моделей к интеллектуальным, адаптивным и самонастраивающимся системам анализа.
Современные методы ИИ позволяют выявлять сложные нелинейные зависимости, обрабатывать массивные объемы данных в реальном времени и адаптироваться к изменениям рыночной среды. Международный опыт, в частности практика Банка Англии [1], подтверждает, что сочетание эконометрических подходов и ИИ становится новым стандартом аналитической практики в финансовом секторе. Наряду с этим, отечественные исследования, в частности работа Семитуркина и Шевелева из Банка России [2], демонстрируют высокий потенциал применения методов машинного обучения. Их исследование показало, что модели машинного обучения, такие как «градиентный бустинг» (Gradient Boosting) и «случайный лес» (Random Forest), демонстрируют более высокую точность при долгосрочном прогнозировании инфляции по сравнению с традиционными эконометрическими методами.
Необходимо отметить, что интеграция ИИ в эконометрику сопряжена с рядом вызовов. Среди них — отсутствие интерпретируемости («прозрачности») моделей, зачастую возникающие трудности с соблюдением нормативных требований, а также риски, связанные с переобучением моделей ИИ или ошибочным использованием исходных данных. В этой связи возрастает интерес к гибридным моделям, сочетающим математическую строгость эконометрики и вычислительную мощность ИИ.
В статье предпринята попытка систематизировать текущие подходы к применению методов ИИ в рамках эконометрического анализа на примерах исследований Банка России и Банка Англии. Статья состоит из нескольких разделов. В следующем разделе представлено краткое описание исторического контекста развития эконометрики и искусственного интеллекта. Затем рассматривается методология исследования и проводится сравнительный анализ практик применения ИИ в эконометрике на примере Банка России и Банка Англии. Далее обсуждаются ключевые преимущества и вызовы интеграции ИИ, включая интерпретируемость моделей и регуляторные аспекты.
Исторический контекст развития эконометрики и искусственного интеллекта
Первые теоретические разработки по нейронным сетям и логическим алгоритмам датируются 1950–1960-ми годами, однако до 2000-х годов ИИ оставался в основном теоретической концепцией, ограниченной вычислительными ресурсами и узкими сферами применения. Ситуация радикально изменилась в последние годы с наступлением эпохи Big Data, характеризующейся массовым накоплением, высокой скоростью обновления и структурным разнообразием цифровых данных, наряду с широким распространением облачных технологий и GPU-вычислений (графических процессоров, обеспечивающих параллельные вычисления высокого объёма).
Современные ИИ-системы, особенно на базе машинного обучения (ML) — алгоритмов, способных обучаться на исторических данных без явного программирования, — и глубокого обучения (deep learning), основанного на многоуровневых нейронных сетях, позволяют строить высокоточные прогнозы, выявлять сложные нелинейные зависимости и адаптироваться к быстро меняющейся информации. Эти особенности делают ИИ особенно привлекательным для эконометрики, где часто требуется работа с данными, содержащими высокий уровень шума (noisy data) — то есть случайных колебаний, ошибок измерений и выбросов, нестационарными и многомерными данными.
Примером такого подхода является работа английских экономистов S. Chakraborty и A. Joseph [3], в которой оценивались возможности нейронных сетей для среднесрочного прогнозирования инфляции в Великобритании. Исследование показало преимущество ИИ-моделей перед традиционными авторегрессионными подходами (AR), в которых текущее значение переменной объясняется её собственными предыдущими значениями. Аналогичные выводы были сделаны в более масштабной выборке за авторством экономиста Jung [4], охватившей прогноз роста реального ВВП в семи странах, где ИИ-модели стабильно превосходили прогнозы, строившиеся по традиционным методикам МВФ.
В российской практике Иван Байбуз, в прошлом студент Высшей школы экономики, [5] продемонстрировал состоятельность методов машинного обучения для задач инфляционного прогнозирования на базе 92 макроэкономических показателей. Он показал, что ансамблевые методы, такие как случайный лес и градиентный бустинг, на горизонте более двух месяцев существенно превосходят AR-модели по точности. Е. Павлов, в работе «Прогнозирование инфляции с использованием нейронных сетей: эмпирические результаты для России» [6] пришёл к аналогичным результатам при тестировании нейронных сетей.
Отдельный интерес представляет работа сотрудников Банка России за авторством Мамедли и Шибитова, [7], где исследуются возможности прогнозирования на винтажных данных с применением ансамблевых моделей и эластичной сети (Elastic Net). Стоит отдельно указать, что под «винтажными данными» имеется ввиду данные, доступные на момент принятия решения в прошлом, без учёта последующих корректировок или уточнений. Их использование позволяет реалистично оценить, как модель работала бы в условиях «живого времени», имитируя настоящую информационную среду. Показано, что ИИ-модели не только устойчивы к шуму и сезонным колебаниям, но и сохраняют адекватность прогноза при смене структуры данных. В совокупности, эти исследования демонстрируют устойчивую тенденцию к интеграции ИИ в прикладную эконометрику, основанную как на классических методах, так и на адаптивных вычислительных подходах нового поколения.
Методология исследования и сравнительный анализ практик применения ИИ в эконометрике на примере Банка России и Банка Англии
Методологическая основа данного исследования заключается в сопоставлении подходов к применению методов машинного обучения (ML) и искусственного интеллекта в сфере эконометрического прогнозирования на примере двух центральных банков — Банка Англии и Банка России. В качестве эмпирической базы использованы публикации Банка России [2] и аналитические обзоры Банка Англии по постпандемическому внедрению ИИ-инструментов в макроэкономический анализ [1].
В свою очередь, авторы упомянутого обзора Банк Англии [1] проводят исследование использования моделей машинного обучения при мониторинге потребительской активности и кредитного риска в посткризисный период. Применялись как методы кластеризации и факторного анализа, так и нейросетевые модели, позволяющие выявлять скрытые паттерны в динамике данных. Особое внимание уделяется интерпретируемости моделей и управлению рисками при их внедрении в регуляторную практику. Кроме того, акцент делается на институциональных и операционных аспектах интеграции ИИ — включая оценку рисков, вопросы интерпретируемости и использование решений сторонних поставщиков, особенно в условиях кризисов, таких как пандемия COVID-19.
В исследовании Банка России [2] рассматривались ансамблевые модели машинного обучения, включая градиентный бустинг (Gradient Boosting — метод, при котором модели строятся последовательно: каждая новая модель обучается на ошибках предыдущей. Таким образом, шаг за шагом система уточняет прогноз. Это как серия уточнений, где каждая итерация «учится» на том, что было предсказано неправильно ранее. Итоговая модель получается более точной за счёт накопленного исправления ошибок, случайный лес (Random Forest — метод машинного обучения, который строит множество «деревьев решений» и объединяет их результаты. Каждое «дерево» даёт свой прогноз, а итоговый результат получается голосованием всех деревьев. Такой подход позволяет повысить точность и устойчивость прогноза, особенно в условиях нестабильных и многомерных данных). Данные охватывали временной горизонт до двух лет и включали переменные, отражающие курсовую динамику, инфляционную инерцию и статистику по потребительским ценам. Для повышения качества оценки была использована техника кросс-валидации (с разбиением выборки на обучающую и тестовую части для объективной оценки модели), прогнозирование в режиме псевдореального времени (то есть с имитацией условий, при которых на момент построения прогноза доступны только исторические данные), а также тест Диболда-Мариано (статистический тест, применяемый для сравнения точности двух конкурирующих прогнозов) для сравнительного анализа прогностической точности.
Основным выводом исследования стало то, что указанные модели машинного обучения обеспечивают более точные прогнозы по сравнению с классическими эконометрическими моделями ARIMA (авторегрессионная интегрированная скользящая средняя) и ARIMAX (расширенная модель ARIMA, включающая экзогенные переменные), особенно при прогнозировании на средне- и долгосрочную перспективу (от одного года до двух лет). Особенно значимый прирост точности отмечен в случаях, когда применялись методы комбинирования прогнозов (blended forecasting) — взвешенное объединение результатов указанных ML-моделей.
Преимущества и вызовы интеграции ИИ в эконометрику
Применение методов искусственного интеллекта в эконометрике открывает широкие возможности для повышения точности прогнозов, гибкости моделей и автоматизации аналитических процессов. В отличие от традиционных статистических моделей, алгоритмы машинного обучения способны выявлять сложные, в том числе нелинейные, зависимости между экономическими показателями, адаптироваться к изменениям во входных данных и эффективно обрабатывать большие объёмы информации в реальном времени.
К числу ключевых преимуществ ИИ в эконометрических приложениях относятся:
· Увеличение точности прогнозов: особенно на длинных горизонтах, благодаря способности моделей улавливать сложные взаимосвязи между переменными;
· Гибкость моделей: возможность работы с нестационарными, шумными и высокоразмерными данными;
· Автоматизация анализа: сокращение времени и трудозатрат на построение и тестирование моделей;
· Обновляемость: модели могут дополнительно обучаться по мере поступления новых данных без необходимости полной перестройки.
Вместе с тем, интеграция ИИ в эконометрику сопровождается рядом серьёзных вызовов, среди которых:
· Отсутствие интерпретируемости: многие модели, особенно нейросетевые, функционируют как «чёрные ящики», что затрудняет объяснение результатов;
· Риски переобучения: особенно в условиях небольших выборок и высокой волатильности данных;
· Регуляторная неопределённость: отсутствие чётких стандартов и требований к использованию ИИ на официальном уровне;
· Необходимость высокого качества данных: ИИ-чувствительные модели особенно уязвимы к шуму, выбросам (то есть отдельным значениям, резко отклоняющимся от общего распределения данных).
Перспективы дальнейшего развития
Текущая практика применения ИИ в эконометрике свидетельствует о том, что данное направление будет играть всё более значимую роль в аналитике как на уровне государственных институтов, так и в частном секторе.
В ближайшие годы можно ожидать активного развития гибридных аналитических моделей, сочетающих интерпретируемость эконометрических подходов с вычислительной мощностью методов машинного обучения. При этом особое значение приобретёт развитие технологий объяснимого ИИ (Explainable Artificial Intelligence, XAI) — совокупности методов, позволяющих интерпретировать работу моделей, объяснять, по каким причинам и на основании чего они принимают те или иные решения, и выявлять, какие факторы влияют на прогноз. Это особенно важно в финансовой сфере, где модели влияют на принятие макроэкономических и регуляторных решений и требуют высокой степени прозрачности и обоснованности результатов.
Таким образом, интеграция ИИ в эконометрику представляет собой не просто технологическую эволюцию, а переход к новому этапу развития прикладного экономического анализа, основанного на синтезе гибкости, точности и институциональной ответственности. Это подтверждается результатами эмпирических исследований [3, 5, 7], выводами ведущих международных организаций, включая Банк Англии [1] и МВФ [4], а также российскими экономистами и специалистами Банка России [2].
Эффективное и этичное использование ИИ в эконометрике потребует нормативной поддержки, прозрачности интерпретируемости моделей и согласованных стандартов, без которых цифровая трансформация может оказаться фрагментарной и даже рискованной.
Список литературы
1. Bholat D., Gharbawi M., Thew O. The impact of Covid on machine learning and data science in UK banking // Bank of England Quarterly Bulletin. 2020. URL: https://www.bankofengland.co.uk/quarterly-bulletin/2020/2020-q4/the-impact-of-covid-on-machine-learning-and-data-science-in-uk-banking
2. Семитуркин О.Н., Шевелев А.А. Прогнозирование региональной инфляции с использованием методов машинного обучения: макрорегион «Сибирь» // Рабочий документ Банка России. 2022. № 91. URL: https://www.cbr.ru/ec_research/ser/wp_91/
3. Chakraborty C., Joseph A. Machine Learning at Central Banks // Bank of England Working Paper. – 2017. – № 674.
4. Jung J., Patnam M., Ter-Martirosyan A. An Algorithmic Crystal Ball: Forecast-based on Machine Learning // IMF Working Paper. – 2018. – № 18/230.
5. Байбуз И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 4. С. 42–59.
6. Павлов Е. Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. 2020. № 1. С. 57–73.
7. Мамедли М., Шибитов Д. Прогнозирование ИПЦ в России на винтажных данных и с использованием методов машинного обучения // Банк России. 2021. URL: https://www.cbr.ru/ec_research/prognozirovanie-ipc-v-rossii-na-vintazhnykh-dannykh-i-s-ispol-zovaniem-metodov-mashinnogo-obucheniya/
