Какой прогноз по инфляции наиболее верный

Какой прогноз по инфляции наиболее верный

Модели для прогнозирования нередко показывают худшие результаты, чем заявляли их создатели, так как алгоритмы тестируются в идеальных условиях, далёких от реальности. На практике экономисты сталкиваются с рядом трудностей, которые связаны с неполнотой и неточностью данных, используемых для составления прогнозов. NEWS.ru выяснил, насколько сильно меняется точность прогноза в зависимости от того, какие данные используются.

Для расчёта таких сложных экономических показателей, как инфляция и рост цен, экономисты используют математические модели. В них учитываются данные, которые с течением времени неоднократно пересматриваются и уточняются. Однако правительству и финансовым властям нужны прогнозы вероятного развития экономической ситуации «здесь и сейчас», поэтому расчёты проводятся с использованием всех доступных данных, а их изменчивость и неточность значительно усложняют применение моделей на практике.

Можно выделить три типа ограничений, с которыми приходится мириться практикам, но которые не всегда учитываются при оценке точности моделей. Значимость этих факторов для точности прогнозов инфляции рассматривается в препринте, опубликованном на сайте Банка России.

Первое ограничение — в реальной жизни экономисты могут использовать только те данные, которые были доступны (опубликованы) на момент составления прогноза. Экономические и статистические показатели рассчитываются различными организациями и публикуются в разное время и с разной периодичностью (большинство датасетов Всемирного банка публикуются раз в год, а ежемесячно или чаще — не более процента).

Например, данные за апрель могут выйти в середине мая и прогноз, составленный 1 мая, может учитывать только данные за март и более ранний период. Логично, что чем более свежие данные может использовать модель, тем точнее будет прогноз.

Второе ограничение связано с тем, что многие показатели пересматриваются и уточняются в течение месяцев или даже лет по мере того, как появляются новые данные или учитываются неизвестные ранее факторы (так, данные по промышленному производству в России за март были уточнены в вышедшей в июне публикации).

Так, в 2010 году Гана уточнила методологию оценки своего ВВП, и этот показатель за 2006 год вырос на 60% (в большинстве случаев изменения не столь велики, но происходят регулярно). В оперативных прогнозах нет возможности ждать окончательного пересмотра показателей, приходится использовать последние из доступных на момент расчётов.

Третье ограничение касается выделения сезонной составляющей колебаний показателей. Многие цифры, например цены на авиабилеты или спрос на тёплую одежду, предсказуемо повышаются и снижаются в течение года. Обычно такие колебания «вычитают» из изменений показателя, чтобы яснее увидеть действительные изменения цен, спроса и т. д. Однако перерасчёт с учётом сезонных колебаний вносит изменения в данные, в том числе и в предыдущие значения.

Более того, использование данных с учётом сезонной корректировки препятствует сравнению результатов и повторению расчётов из-за отсутствия общепринятой методологии сглаживания.

В Высшей школе экономики (ВШЭ) была проведена серия расчётов, использовались четыре модели, четыре набора данных и три горизонта прогнозирования (на месяц, три и шесть месяцев). После этого постепенно, один за другим, вводились ограничения, чтобы иметь возможность оценить влияние каждого из них на точность прогноза.

За базовый был принят эксперимент, в котором были доступны как «сырые» данные, так и уточнённые, с похожим на реальное запаздыванием и без учёта сезонных колебаний. Во втором эксперименте доступными считались все данные за прошедший месяц, в остальном условия остались теми же. В третьем эксперименте использовались уточнённые данные, в четвёртом — ещё и скорректированные с учётом сезонных колебаний.

Расчёты показали, что игнорирование даты публикации показателей (то есть использование всех данных, даже тех, которые в реальной жизни были бы недоступны на момент составления прогноза) приводит к значительному завышению заявляемой точности модели (на 1,7–10,5%). А вот ввод уточнённых данных имеет разный эффект для разных моделей (одни дают лучший результат на «сырых» данных, другие — на пересмотренных).

Разница между реальной и заявленной точностью модели увеличивается на 8,5–12,1%, если данные скорректированы с учётом сезонности. Все вместе эти факторы завышают точность модели, применённой в идеальных условиях, на 7,6–16,8%. Причём разница в точности зависит от рассматриваемой модели и от горизонта прогнозирования (чем он ближе, тем сильнее прогноз, сделанный в идеальных условиях, будет отличаться от реального).

Конечно, никакая модель не может дать 100-процентной гарантии, что прогноз сбудется: сценарии развития событий могут реализовываться с большей или меньшей вероятностью. Однако способность точно прогнозировать инфляцию имеет решающее значение для развития денежно-кредитной политики ЦБ.

Поэтому крайне важно опираться на результаты моделей, точность которых оценена не на идеальных, а на доступных данных, обычно включающих предварительные показатели. В противном случае в расчёт могут приниматься заниженные ошибки прогнозов. Это, в свою очередь, может приводить к дальнейшим неточностям в прогнозировании экономической ситуации.

Автор — доцент факультета экономических наук НИУ ВШЭ, кандидат экономических наук Мариам Мамедли.

Последние новости