Помогают ли высокочастотные данные в прогнозировании российской инфляции?
DOI:
https://doi.org/10.21638/spbu05.2021.206Аннотация
В связи с тем, что в конце 2014 г. Центральный банк совершил переход к новому для России режиму монетарной политики — режиму инфляционного таргетирования, задача прогнозирования темпов инфляции стала как никогда актуальной. В новом режиме денежно-кредитной политики Банку России важно как можно быстрее и точнее оценивать будущие темпы инфляции, чтобы максимально оперативно принимать меры по возвращению инфляции к целевому уровню. Кроме того, для проведения эффективной денежно-кредитной политики население должно обладать доверием к действиям монетарных властей и осознавать будущую динамику инфляции. Таким образом, Центральному банку для управления инфляционными ожиданиями экономических агентов необходимо активно использовать информационный канал, публикуя точные прогнозы темпа роста потребительских цен. Целью данной работы является построение модели для наукастинга, а также краткосрочного прогнозирования российской инфляции с использованием высокочастотных данных. Их включение в модель для прогнозирования весьма перспективно, так как такой подход позволяет использовать на порядок больше информации о динамике макроэкономических показателей. В работе показано, что оцененные спецификации MIDAS-моделей, в которых участвуют ряды недельной частоты номинального обменного курса рубля к доллару, ставки межбанковского кредитования MIACR, а также цены на нефть, имеют более точный прогноз месячной инфляции по сравнению с несколькими базовыми моделями, в которых используются лишь низкочастотные, то есть месячные, данные.
Ключевые слова:
наукастинг, прогнозирование, высокочастотные данные, MIDAS модель, инфляция
Скачивания
Библиографические ссылки
Андреев А. (2016) Прогнозирование инфляции методом комбинирования прогнозов в Банке России. Банк России. Серия докладов об экономических исследованиях. Т. 14. С. 2–11.
Байбуза И. (2018) Прогнозирование инфляции с помощью методов машинного обучения. Деньги и кредит. Т. 77, № 4. С. 42–59.
Гафаров Б. Н. (2011) Кривая Филлипса и становление рынка труда в России. Экономический журнал Высшей школы экономики. Т. 15, № 2. С. 155–176.
Зубарев А. В. (2018) Об оценке кривой Филлипса для российской экономики. Экономический журнал Высшей школы экономики. Т. 22, № 1. C. 40–58.
Микош Х., Соланко Л. (2019) Прогнозирование роста российского ВВП с использованием данных со смешанной периодичностью. Деньги и кредит. Т. 78, № 1. С. 19–35.
Павлов Е. (2020) Прогнозирование инфляции в России с помощью нейронных сетей. Деньги и кредит. Т. 79, № 1. С. 57–73.
Перевышин Ю., Перевышина Е. (2015) Эффект переноса процентных ставок в России в 2010–2014 годах. Экономическая политика. Т. 10, № 5. С. 38 -52.
Пестова А. А. (2018) Об оценке эффектов монетарной политики в России: роль пространства шоков и изменений режимов политики. Вопросы экономики. № 2. С. 33–55.
Пономарев Ю., Трунин П., Улюкаев А. (2014) Эффект переноса динамики обменного курса на цены в России. Вопросы экономики. № 3. С. 21–35.
Стырин К. (2019) Прогнозирование инфляции в России методом динамического усреднения моделей. Деньги и кредит. Т. 78, № 1. С. 3–18.
Тишин А. (2019) Неожиданные шоки ДКП в России. Деньги и кредит. Т. 78, № 4. С. 48–70.
Angelini E., Bańbura M., Rünstler G. (2010). Estimating and forecasting the euro area monthly national accounts from a dynamic factor model. OECD Journal: Journal of Business Cycle Measurement and Analysis, no. 1, pp. 1–22.
Baffigi A., Golinelli R., Parigi G. (2004). Bridge models to forecast the euro area GDP. International Journal of forecasting, vol. 20, no. 3, pp. 447–460.
Baumeister C., Guérin P., Kilian L. (2015) Do high-frequency financial data help forecast oil prices? The MIDAS touch at work. International Journal of Forecasting, vol. 31, no. 2, pp. 238–252.
Breitung J., Roling C. (2015) Forecasting inflation rates using daily data: A nonparametric MIDAS approach.Journal of Forecasting, vol. 34, no. 7, pp. 588–603.
Delle Monache D., Petrella I. (2017) Adaptive models and heavy tails with an application to inflation forecasting. International Journal of Forecasting, vol. 33, no. 2, pp. 482–501.
Galí J., Gertler M. (1999) Inflation dynamics: A structural econometric analysis. Journal of monetary Economics, vol. 44, no. 2, pp. 195–222.
Ghysels E., Santa-Clara P., Valkanov R. (2004) The MIDAS touch: Mixed data sampling regression models. Série Scientifique, Mai. Montréal. 34 p.
Ghysels E., Sinko A., Valkanov R. (2007) MIDAS regressions: Further results and new directions. Econometric Reviews, vol. 26, no. 1, pp. 53–90.
Ghysels E., Kvedaras V., Zemlys V. (2016) Mixed frequency data sampling regression models: the R package midasr. Journal of statistical software, vol. 72, no. 4, pp. 1–35.
Lucas R. E. (1973) Some international evidence on output-inflation tradeoffs. The American Economic Review, vol. 63, no. 3, pp. 326–334.
McKnight S., Mihailov A., Rumler F. (2020) Inflation forecasting using the New Keynesian Phillips Curve with a time-varying trend. Economic Modelling, vol. 87, pp. 383–393.
Medeiros M. C., Vasconcelos G. F., Veiga A., Zilberman E. (2021) Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business & Economic Statistics,vol. 39, no. 1, pp. 98–119.
Parigi G., Schlitzer G. (1995) Quarterly forecasts of the Italian business cycle by means of monthly economic indicators. Journal of Forecasting, vol. 14, no. 2, pp. 117–141.
Ribon S., Suhoy T. (2011) Forecasting short run inflation using MIDAS. Research Department, Bank of Israel.31 p.
Sargent T. J., Wallace N. (1975) “Rational” Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy, vol. 83, no. 2, pp. 241–254.
Sargent T. J., Wallace N. (1976) Rational expectations and the theory of economic policy. Journal of Monetary economics, vol. 2, no. 2, pp. 169–183.
Stock J. H., Watson M. W. (2007) Why has US inflation become harder to forecast? Journal of Money, Credit and banking, vol. 39, pp. 3–33.
Trehan B. (1989) Forecasting growth in current quarter real GNP. Economic Review-Federal Reserve Bank of San Francisco, no. 1, p. 39.
References
Andreev A. (2016) Forecasting inflation by combining forecasts at the Bank of Russia. Bank of Russia. Economic Research Report Series, vol. 14, pp. 2–11. (In Russian)
Angelini E., Bańbura M., Rünstler G. (2010) Estimating and forecasting the euro area monthly national accounts from a dynamic factor model. OECD Journal: Journal of Business Cycle Measurement and Analysis, no. 1, pp. 1–22.
Baffigi A., Golinelli R., Parigi G. (2004). Bridge models to forecast the euro area GDP. International Journal of forecasting, vol. 20, no. 3, pp. 447–460.
Baumeister C., Guérin P., Kilian L. (2015) Do high-frequency financial data help forecast oil prices? The MIDAS touch at work. International Journal of Forecasting, vol. 31, no. 2, pp. 238–252.
Baybuza I. (2018) Inflation Forecasting Using Machine Learning Methods. Russian Journal of Money and Finance, vol. 77, no. 4, pp. 42–59. (In Russian)
Breitung J., Roling C. (2015) Forecasting inflation rates using daily data: A nonparametric MIDAS approach. Journal of Forecasting, vol. 34, no. 7, pp. 588–603.
Delle Monache, D., Petrella, I. (2017). Adaptive models and heavy tails with an application to inflation forecasting. International Journal of Forecasting, vol. 33, no. 2, pp. 482–501.
Galí J., Gertler M. (1999) Inflation dynamics: A structural econometric analysis. Journal of monetary Economics, vol. 44, no. 2, pp. 195–222.
Gafarov B. N. (2011) Phillips curve and the formation of the labor market in Russia. Economic Journal of the Higher School of Economics, vol. 15, no. 2, pp. 155 176. (In Russian)
Ghysels E., Santa-Clara P., Valkanov R. (2004) The MIDAS touch: Mixed data sampling regression models.Série Scientifique, Mai. Montréal. 34 p.
Ghysels E., Sinko A., Valkanov R. (2007) MIDAS regressions: Further results and new directions. Econometric Reviews, vol. 26, no. 1, pp. 53–90.
Ghysels E., Kvedaras V., Zemlys V. (2016) Mixed frequency data sampling regression models: the R package midasr. Journal of statistical software, vol. 72, no. 4, pp. 1–35.
Lucas R. E. (1973) Some international evidence on output-inflation tradeoffs. The American Economic Review, vol. 63, no. 3, pp. 326–334.
McKnight S., Mihailov A., Rumler F. (2020) Inflation forecasting using the New Keynesian Phillips Curve with a time-varying trend. Economic Modelling, vol. 87, pp. 383–393.
Medeiros M. C., Vasconcelos G. F., Veiga, A., Zilberman E. (2021). Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business & Economic Statistics,vol. 39, no. 1, pp. 98–119.
Mikosch H., Solanko L. (2019) Forecasting Quarterly Russian GDP Growth with Mixed-Frequency Data. Russian Journal of Money and Finance, vol. 78, no. 1, pp. 19–35. (In Russian)
Pavlov E. (2020) Forecasting Inflation in Russia Using Neural Networks. Russian Journal of Money and Finance, vol. 79, no. 1, pp. 57–73. (In Russian)
Parigi G., Schlitzer G. (1995) Quarterly forecasts of the Italian business cycle by means of monthly economic indicators. Journal of Forecasting, vol. 14, no. 2, pp. 117–141.
Perevyshin Yu., Perevyshina E. (2015) The effect of the transfer of interest rates in Russia in 2010-2014. Economic Policy, vol. 10, no. 5, pp. 38–52. (In Russian)
Pestova A. A. (2018) On the effects of monetary policy in Russia: The role of the space of spanned and the policy regime shifts. Voprosy Ekonomiki, no. 2, pp. 33 55. (In Russian)
Ponomarev Y., Trunin P., Ulyukaev A. (2014) Exchange Rate Pass-through in Russia. Voprosy Ekonomiki, no. 3, pp. 21–55. (In Russian)
Ribon S., Suhoy T. (2011) Forecasting short run inflation using MIDAS. Research Department, Bank of Israel.31 p.
Sargent T. J., Wallace N. (1975) “Rational” Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy, vol. 83, no. 2, pp. 241–254.
Sargent T. J., Wallace N. (1976) Rational expectations and the theory of economic policy. Journal of Monetary economics, vol. 2, no. 2, pp. 169–183.
Stock J. H., Watson M. W. (2007) Why has US inflation become harder to forecast? Journal of Money, Credit and banking, vol. 39, pp. 3–33.
Styrin K. (2019) Forecasting Inflation in Russia Using Dynamic Model Averaging. Russian Journal of Money and Finance, vol. 78, no. 1, pp. 3–18. (In Russian)
Tishin A. (2019) Monetary Policy Surprises in Russia. Russian Journal of Money and Finance, vol. 78, no. 4, pp. 48–70. (In Russian)
Trehan B. (1989) Forecasting growth in current quarter real GNP. Economic Review-Federal Reserve Bank of San Francisco, no. 1, p. 39.
Zubarev A. (2018) On the Estimation of the Phillips Curve for the Russian Economy. HSE Economic Journal, vol. 22, no. 1, pp. 40–58. (In Russian)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Статьи журнала «Вестник Санкт-Петербургского университета. Экономика» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Санкт-Петербургским государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
