Modelling system of monetary regulation

Abstract

Данная работа направлена на доказательство состоятельности методов машинного обучения при прогнозировании динамики инфляции в России. С этой целью построены прогнозы как одномерного временного ряда инфляции, так и многомерного, в который входят другие экономические показатели. Для измерения уровня инфляции выбран индекс потребительских цен, рассчитываемый для определенной группы товаров и услуг, входящих в состав потребительской корзины. В работе рассмотрены методы предсказания, использующие сезонную модель ARIMA, а также методику машинного обучения: регрессионные модели с регуляризацией, нейронные сети с прямой связью, нейронную сеть долгой краскосрочной памяти. По результатам исследования делается вывод о качестве построенных моделей, используя функционал среднеквадратичной ошибки (RMSE). Наименьшую ошибку имеет модель, прогнозирующая многомерный ряд инфляции с помощью нейронной сети долгой краткосрочной памяти.

This work is aimed at proving the consistency of machine learning methods in predicting the dynamics of inflation in Russia. For this purpose, forecasts have been made of both a one-dimensional time series of inflation and a multidimensional one, which includes other economic indicators. To measure the level of inflation, the consumer price index was chosen, calculated for a specific group of goods and services that are part of the consumer basket. The paper discusses prediction methods using the seasonal ARIMA model, as well as machine learning techniques: regression models with regularization, neural networks with direct coupling, neural networks of long-term memory. According to the results of the study, a conclusion is made about the quality of the constructed models using Root Mean Square Error (RMSE). The smallest error has a model that predicts a multidimensional series of inflation using a neural network of long short-term memory.