woeamМир экономики и управленияWorld of Economics and Management2542-04292658-5375Новосибирский национальный исследовательский государственный университет10.25205/2542-0429-2023-23-4-60-82woeam-698Research ArticleМАТЕМАТИЧЕСКИЕ МЕТОДЫ АНАЛИЗА В ЭКОНОМИКЕMATHEMATICAL METHODS OF ANALYSIS IN ECONOMICSУчёт информационного фона в DSGE-модели экономики России с адаптивным обучениемIncluding the Information Background into the DSGE Model of the Russian Economy with Adaptive Learninghttps://orcid.org/0000-0003-4390-7289КолюжновД. В.KolyuzhnovD. V.

Дмитрий Васильевич Колюжнов, PhD, доцент экономического факультета; научный сотрудник,

Новосибирск.

Scopus ID 55940049500.

Dmitriy V. Kolyuzhnov, PhD (Economics), Associate Professor; Researcher, 

Novosibirsk.

Scopus ID 55940049500.

dima.kolyuzhnov@mail.ruКолюжновЕ. Д.KolyuzhnovE. D.

Егор Дмитриевич Колюжнов, студент 4-го курса бакалавриата факультета информационных технологий,

Новосибирск.

Egor D. Kolyuzhnov, 4th year Undergraduate Student, Information Technologies Department,

Novosibirsk.

e.kolyuzhnov@g.nsu.ruhttps://orcid.org/0000-0003-1057-1387ЛяхноваМ. В.LyakhnovaM. V.

Маргарита Валерьевна Ляхнова, аспирант; главный экономист,

Новосибирск; Москва.

Margarita V. Lyakhnova, Postgraduate Student; Chief economist,

Novosibirsk; Moscow.

rita_2000@list.ruНовосибирский национальный исследовательский государственный университет; Институт экономики и организации промышленного производства СО РАНРоссияNovosibirsk State University; Institute of Economics and Industrial Engineering SB RASRussian FederationНовосибирский национальный исследовательский государственный университетРоссияNovosibirsk State UniversityRussian FederationИнститут экономики и организации промышленного производства СО РАН; Банк РоссииРоссияInstitute of Economics and Industrial Engineering SB RAS; Bank of RussiaRussian Federation2023071120232346082Copyright © Колюжнов Д.В., Колюжнов Е.Д., Ляхнова М.В., 20242024Колюжнов Д.В., Колюжнов Е.Д., Ляхнова М.В.Kolyuzhnov D.V., Kolyuzhnov E.D., Lyakhnova M.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://woeam.elpub.ru/jour/article/view/698

В рамках данного исследования разрабатывается метод применения результатов модели анализа информационного фона в модели формирования ожиданий адаптивно обучающихся экономических агентов в общей постановке DSGE-модели. Этот метод тестируется на малой DSGE-модели экономики России с адаптивным обучением, разработанной нами в ИЭОПП СО РАН. На примере этой модели показывается, что предлагаемый метод улучшает соответствие данных, имитируемых моделью, экономической статистике, что позволяет использовать эту модель для прогнозирования макроэкономических показателей, рассматривая различные сценарии развития экономики при разной окраске будущего информационного фона. Делается вывод, что управление новостным потоком оказывает влияние на функционирование экономики и может потенциально использоваться как элемент экономической политики, последствия которой можно оценить, используя наш метод. Универсальность метода, предложенного в работе, позволяет распространить его применение на широкий ряд DSGE-моделей, используемых центральными банками большинства стран мира.

Within the framework of this study, a method is being developed for applying the results of the information background analysis model to the expectations formation model of adaptively learning economic agents in the general formulation of the DSGE model. This method is tested on a small DSGE model of the Russian economy with adaptive learning, developed by us at the IEIE SB RAS. Using this model as an example, we show that the proposed method improves the fit of the data simulated by the model to economic statistics, which makes it possible to use this model to predict macroeconomic indicators, comparing different scenarios for economic development depending on the future information background sentiment. We conclude that news flow management has an impact on the economy performance and can potentially be used as an element of economic policy, whose consequences can be evaluated using our method. The versatility of the method proposed in this paper allows its application to be extended to a wide range of DSGE models used by central banks in most countries of the world.

DSGE моделированиеадаптивное обучениеанализ тональностинейронные сетимашинное обучениероссийская экономикапрогнозыDSGE-modelingadaptive learningsentiment analysisneural networksmachine learningRussian economyforecastsРабота выполнена по плану НИР ИЭОПП СО РАН, проект «Методы и модели обоснования стратегии развития экономики России в условиях меняющейся макроэкономической реальности», № 0260-2021-0008.The publication is prepared within the project “Methods and models of Russian economy development strategy justification under changing macroeconomic reality”, № 0260-2021-0008 according to the research plan of the IEIE SB RAS.ReferencesChristoffel K., Coenen G., and Warne A. The New Area-Wide Model of the Euro Area: A Micro-Founded Open-Economy Model for Forecasting and Policy Analysis // ECB Working Paper Series. 2008. No. 944. 124 p. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp944.pdfChristoffel K., Coenen G., and Warne A. The New Area-Wide Model of the Euro Area: A Micro-Founded Open-Economy Model for Forecasting and Policy Analysis // ECB Working Paper Series. 2008. No. 944. 124 p. URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp944.pdfChristiano L., Rostagno M., and Motto R. Financial factors in economic fluctuations // ECB Working Paper Series. 2010. No. 1192.Christiano L., Rostagno M., and Motto R. Financial factors in economic fluctuations // ECB Working Paper Series. 2010. No. 1192.Edge R., Kiley M., and Laforte J.-P. A Comparison of Forecast Performance Between Federal Reserve Staff Forecasts, Simple Reduced-Form Models, and a DSGE Model // Journal of Applied Econometrics. 2010. Vol. 25. P. 720-754.Edge R., Kiley M., and Laforte J.-P. A Comparison of Forecast Performance Between Federal Reserve Staff Forecasts, Simple Reduced-Form Models, and a DSGE Model // Journal of Applied Econometrics. 2010. Vol. 25. P. 720-754.Chung H. T., Kiley M. T., and Laforte J.-P. Documentation of the Estimated, Dynamic, Optimization-based (EDO) Model of the U.S. Economy: 2010 Version // Finance and Economics Discussion Series Working Paper. 2010. No. 19.Chung H. T., Kiley M. T., and Laforte J.-P. Documentation of the Estimated, Dynamic, Optimization-based (EDO) Model of the U.S. Economy: 2010 Version // Finance and Economics Discussion Series Working Paper. 2010. No. 19.Fenton P., Murchison S. C. ToTEM: The Bank of Canada's New Projection and Policy-Analysis Model // Bank of Canada Review. 2006. Vol. 2006. P. 5-18Fenton P., Murchison S. C. ToTEM: The Bank of Canada's New Projection and Policy-Analysis Model // Bank of Canada Review. 2006. Vol. 2006. P. 5-18Dorich J., Johnston M., Mendes R., Murchison S., and Zhang Y. ToTEM II: An Updated Version of the Bank of Canada’s Quarterly Projection Model // Canadian Economic Analysis Department. Technical Report 100. Bank of Canada. 2013. No. 100.Dorich J., Johnston M., Mendes R., Murchison S., and Zhang Y. ToTEM II: An Updated Version of the Bank of Canada’s Quarterly Projection Model // Canadian Economic Analysis Department. Technical Report 100. Bank of Canada. 2013. No. 100.Harrison R., Nikolov K., Quinn M., Ramsay G., Scott A. Thomas R. The Bank of England Quarterly Model // Bank of England Publications, 2005.Harrison R., Nikolov K., Quinn M., Ramsay G., Scott A. Thomas R. The Bank of England Quarterly Model // Bank of England Publications, 2005.Burgess S., Fernandez-Corugedo E., Groth C., Harrison R., Monti F., Theodoridis K., and Waldron M. The Bank of England’s Forecasting Platform: COMPASS, MAPS, EASE and the Suite of Models // Bank of England working Paper. 2013. No. 471.Burgess S., Fernandez-Corugedo E., Groth C., Harrison R., Monti F., Theodoridis K., and Waldron M. The Bank of England’s Forecasting Platform: COMPASS, MAPS, EASE and the Suite of Models // Bank of England working Paper. 2013. No. 471.Brubakk L., Anders T., Maih J., Olsen K., Ostnor M. Finding NEMO: Documentation of the Norwegian economy model // Norwegian Central Bank, Staff Memo. 2006. No. 2006-6. 85 p. URL: https://www.econstor.eu/bitstream/10419/210178/1/nb-staff-memo2006-06.pdfBrubakk L., Anders T., Maih J., Olsen K., Ostnor M. Finding NEMO: Documentation of the Norwegian economy model // Norwegian Central Bank, Staff Memo. 2006. No. 2006-6. 85 p. URL: https://www.econstor.eu/bitstream/10419/210178/1/nb-staff-memo2006-06.pdfPesenti P. The Global Economy Model: Theoretical Framework // IMF Staff Papers. 2008. Vol. 55. No. 2. P. 243 – 284.Pesenti P. The Global Economy Model: Theoretical Framework // IMF Staff Papers. 2008. Vol. 55. No. 2. P. 243 – 284.Крепцев Д. А., Селезнев С. М., DSGE-модель российской экономики с банковским сектором // Серия докладов об экономических исследованиях ЦБ РФ. 2017. № 27. С. 1 – 82.Krepcev D., Seleznev S. DSGE-model' rossijskoj ekonomiki s bankovskim sektorom // Seriya dokladov ob ekonomicheskih issledovaniyah CB RF. 2017. No. 27. pp. 1 – 82.Крепцев Д. А., Селезнев С. М., DSGE-модели российской экономики с малым количеством уравнений // Серия докладов об экономических исследованиях ЦБ РФ. 2016. № 12. С. 1 – 53.Krepcev D., Seleznev S. DSGE-model’ rossijskoj ekonomiki s malym kolichestvom uravnenij // Seriya dokladov ob ekonomicheskih issledovaniyah CB RF. 2016. No. 12. pp. 1 – 53.Sargent T. J. Bounded Rationality in Macroeconomics. Oxford; N.Y.: Oxford University Press, Clarendon Press, 1993.Sargent T. J. Bounded Rationality in Macroeconomics. Oxford; N.Y.: Oxford University Press, Clarendon Press, 1993.Evans G. W., Honkapohja S. Learning and Expectations in Macroeconomics // Princeton, NJ.: Princeton University Press. 2001.Evans G. W., Honkapohja S. Learning and Expectations in Macroeconomics // Princeton, NJ.: Princeton University Press. 2001.Колюжнов Д.В., Ляхнова М.В. Малая DSGE-модель экономики России с неоднородным адаптивным обучением // Мир экономики и управления. – 2022. – Т. 22 (3).– С. 66-87.Kolyuzhnov D. V., Lyahnova M. V. Small DSGE Model of the Russian Economy with Heterogeneous Adaptive Learning. World of Economics and Management, 2022, vol. 22, No. 3, pp. 66–87. (in Russ.)Богомолова А. С., Колюжнов Д. В. Экономическая динамика при неоднородном адаптивном обучении: условия стабильности в терминах агрегированной экономики // Мир экономики и управления. 2020. Т. 20, № 1. С. 128–153.Bogomolova A. S., Kolyuzhnov D. V. Economic Dynamics under Heterogeneous Adaptive Learning: Aggregate Economy Sufficient Conditions for Stability World of Economics and management, 2020, vol. 20, no. 1, pp. 128–153. (in Russ.)Giannitsarou Ch. Heterogeneous learning // Review of Economic Dynamics. 2003. Vol. 6. pp. 885–906.Giannitsarou Ch. Heterogeneous learning // Review of Economic Dynamics. 2003. Vol. 6. pp. 885–906.Goodfellow I., Bengio Y., Courville A. Deep Learning // MIT Press, 2016.Goodfellow I., Bengio Y., Courville A. Deep Learning // MIT Press, 2016.Porter M.F. An algorithm for suffix stripping // Program: Electronic Library and Information Systems. 1980. Vol. 14 (3), pp. 130-137.Porter M.F. An algorithm for suffix stripping // Program: Electronic Library and Information Systems. 1980. Vol. 14 (3), pp. 130-137.Mikolov, T., Sutskever, I., Chen, K., Corrado, G., Dean, J. Distributed representations of words and phrases and their compositionality // Proceedings of the 26th International Conference on Neural Information Processing Systems. 2013. pp. 3111-3119.Mikolov, T., Sutskever, I., Chen, K., Corrado, G., Dean, J. Distributed representations of words and phrases and their compositionality // Proceedings of the 26th International Conference on Neural Information Processing Systems. 2013. pp. 3111-3119.Hochreiter, S., Schmidhuber, J. Long Short-Term Memory // Neural computation. 1997. Vol 9 (8), pp. 1735-1780.Hochreiter, S., Schmidhuber, J. Long Short-Term Memory // Neural computation. 1997. Vol 9 (8), pp. 1735-1780.Kim Y. Convolutional Neural Networks for Sentence Classification // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2014. pp. 1746–1751.Kim Y. Convolutional Neural Networks for Sentence Classification // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2014. pp. 1746–1751.Колюжнов Д.В., Ляхнова М.В. DSGE-модели для краткосрочного прогнозирования экономики России // Модели и методы прогнозирования: Азиатская Россия в экономике страны / под ред. А.О. Баранова, В.И. Суслова; Институт экономики и организации промышленного производства Сибирского отделения РАН. – Новосибирск : Изд-во ИЭОПП СО РАН, 2023. – Гл. 2.1. – С. 16-87.Kolyuzhnov D. V., Lyahnova M. V. DSGE-models for short-term forecasting of Russian economy // Forecasting Models and Methods: Asian Russia in the Country's Economy / edited by A.O. Baranov, V.I. Suslov. Novosibirsk: SB RAS: IEIE SBRAS. 2023. Ch. 2.1.– pp. 16-87. (in Russ.)

The authors declare that there are no conflicts of interest present.