ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ИНФЛЯЦИИ

Инфляция оказывает значительное влияние на экономическую политику и финансовое планирование как на государственном уровне, так и на уровне индивидуальных хозяйств. Точное предсказание инфляции помогает правительствам и центральным банкам принимать обоснованные решения о процентных ставках и других инструментах экономического регулирования. Традиционные эконометрические модели часто не учитывают сложные нелинейные зависимости, что может значительно снизить точность прогнозов. В связи с этим, применение искусственных нейронных сетей для решения задач прогнозирования различных экономических показателей, в том числе инфляции, является актуальным.

Искусственная нейронная сеть – это математическая модель, состоящая из множества элементов, которые называются нейронами. Нейроны, образуют слои, связанные между собой. Каждый нейрон генерирует численный сигнал, который совместно с другими сигналами нейронов преобразуется в результирующее значение. Программной реализацией математической модели нейросети является код [2].

В зависимости от характеристик решаемой задачи осуществляется выбор конфигурации нейронной сети. На сегодняшний день существуют нейросети, которые доказали свою эффективность при решении конкретных задач. К ним относятся однослойный и многослойный персептрон, рекуррентные сети, сеть радиальных базисных функций, соревновательные сети, сеть Хопфилда, сеть Кохенена, модули ANT. Кроме уже известных, конфигурацию нейросети можно синтезировать под определенную задачу.

Для проведения исследования была выбрана многослойная перцептронная модель (MLP). Многослойный персептрон состоит из трех слоев: входного слоя, несколько скрытых слоев и выходного слоя. Каждый нейрон одного слоя связан с нейронами предшествующего слоя через веса, которые адаптируются во время обучения нейро-сети. Скрытый слой использует 128 нейронов с функцией активации ReLU для добавления нелинейности в модель. Эта функция активации обнуляет отрицательные значения и пропускает положительные значения без изменений, что помогает устранить проблему затухания градиента, часто встречающуюся при использовании традиционных сигмовидных функций. ReLU упрощает и ускоряет процесс обучения, сохраняя при этом необходимую нелинейность для обучения сложных моделей. а для выходного слоя – линейная функция активации.

Разработанная модель MLP состоит из трех слоев: входного, одного скрытого и выходного (рисунок 1).

Рисунок 1. Модель MLP

На входной слой подаются следующие переменные: ВВП страны (в млрд. долларов США); уровень безработицы (в процентах); значения ключевой ставки и значения инфляции по годам (в процентах). Статистические данные взяты за десять лет (таблица 1) [1].

Таблица 1. Входные данные

Выходной слой предсказывал уровень инфляции.

Обучение применяемой модели происходит с использованием метода обратного распространения ошибки. Использование данного метода позволяет эффективно корректировать веса межнейронных связей на основе разницы между предсказанными и реальными данными. Для улучшения качества обучения и предотвращения переобучения могут быть использованы различные техники, такие как регуляризация или методы оптимизации, например, стохастический градиентный спуск.

Применение нейросетевой модели для прогнозирования инфляции позволяет сделать следующие выводы:

Нейросетевые модели представляют собой мощный инструмент для анализа и прогнозирования временных рядов, включая данные об инфляции. Они способны учитывать сложные нелинейные зависимости и учитывать множество факторов, влияющих на инфляцию. Результаты прогнозирования с помощью нейросетевых моделей могут быть достаточно точными и эффективными, особенно при наличии достаточного количества данных и адекватной настройке параметров модели.

Однако, как и любая другая модель, нейросетевая модель имеет свои ограничения. Она может быть менее эффективной при отсутствии достаточного объёма данных или при необходимости учесть редкие, но важные факторы, влияющие на инфляцию. Кроме того, качество прогноза зависит от качества данных и способности модели учесть ключевые аспекты динамики инфляции.

Для достижения лучших результатов необходимо проводить тщательную предварительную обработку данных, учитывая их сезонность, тренды и волатильность. Также требуется анализ результатов и корректировка модели при необходимости. Это позволит повысить точность прогноза и обеспечить более надёжные результаты.

В целом, применение нейросетевых моделей в прогнозировании инфляции может быть эффективным инструментом, способным дать ценные рекомендации и поддержку в принятии решений. Эти модели помогают лучше понять динамику инфляции, что важно для планирования экономических стратегий и повышения эффективности управления ресурсами. Дальнейшие исследования могут включать интеграцию дополнительных переменных, таких как цены на нефть или котировки валют, для улучшения точности и надежности предсказаний.

1. Уровень безработицы в РФ по годам [Электронный ресурс]. URL: https://rosstat.gov.ru/.(дата обращения 20.05.2024).
2. Головко В. А. Нейросетевые технологии обработки данных: учеб. пособие / В. А. Головко, В. В. Краснопрошин. – Минск: БГУ, 2017 – 263 с. – (Классическое университетское издание).

Все статьи автора «Тихонов Дмитрий Владимирович»