Page 41 - MAKРОЭКОНОМИЧЕСКИЙ АНАЛИЗ (УЧЕБНИК)

торные авторегрессии, структурные модели общего равновесия,
по-прежнему широко применяются, но к ним добавляются более
гибкие инструменты из арсенала машинного обучения. Напри-

мер, с помощью случайных лесов, градиентного бустинга, рекур-
рентных нейронных сетей или трансформеров можно строить
прогнозы ВВП, инфляции, безработицы, объёмов промышлен-
ного производства, торговли и инвестиций. Машинное обучение
может помочь выявить нетривиальные закономерности, учесть
нелинейные взаимодействия между переменными, отобрать
наиболее значимые предикторы из множества потенциальных
факторов, включая альтернативные данные, недоступные ранее.

Кроме того, методы машинного обучения можно использовать
для кластеризации стран или регионов по сходству экономиче-
ских профилей, выявления аномалий и экстренных ситуаций,
определения скрытых паттернов экономической активности.
Применение искусственного интеллекта позволяет экономи-
стам расширить диапазон доступных подходов к анализу дан-

ных. Ещё одно перспективное направление – развитие моделей
реального времени, так называемых nowcasting-моделей. В тра-
диционной практике макроэкономической статистики офици-
альные оценки ключевых показателей, таких как ВВП или ин-
дексы промышленного производства, публикуются с временным
лагом в несколько недель или месяцев. Это затрудняет опера-
тивную реакцию на изменения экономической ситуации. Ин-
формационные технологии позволяют подставлять в модели

опережающие индикаторы, обновляемые в реальном времени,
чтобы оценивать текущее состояние экономики, не дожидаясь
официальных данных. Например, можно использовать индексы
поисковых запросов о безработице для оценки текущей ситуа-
ции на рынке труда, данные о платежах по кредитным картам –
для понимания динамики потребительских расходов, интенсив-
ность использования транспорта – для оценки деловой активно-

сти. Такие подходы создают возможность near real-time анализа,
что крайне ценно для органов экономической политики и фи-

40