Учёт информационного фона в DSGE-модели экономики России с адаптивным обучением

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.

1. Christoffel 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.pdf

2. Christiano L., Rostagno M., and Motto R. Financial factors in economic fluctuations // ECB Working Paper Series. 2010. No. 1192.

3. 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.

4. 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.

5. 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. 5-18

6. 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.

7. Harrison R., Nikolov K., Quinn M., Ramsay G., Scott A. Thomas R. The Bank of England Quarterly Model // Bank of England Publications, 2005.

8. 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.

9. 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.pdf

10. Pesenti P. The Global Economy Model: Theoretical Framework // IMF Staff Papers. 2008. Vol. 55. No. 2. P. 243 – 284.

11. 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.

12. 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.

13. Sargent T. J. Bounded Rationality in Macroeconomics. Oxford; N.Y.: Oxford University Press, Clarendon Press, 1993.

14. Evans G. W., Honkapohja S. Learning and Expectations in Macroeconomics // Princeton, NJ.: Princeton University Press. 2001.

15. 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.

16. 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.

17. Giannitsarou Ch. Heterogeneous learning // Review of Economic Dynamics. 2003. Vol. 6. pp. 885–906.

18. Goodfellow I., Bengio Y., Courville A. Deep Learning // MIT Press, 2016.

19. Porter M.F. An algorithm for suffix stripping // Program: Electronic Library and Information Systems. 1980. Vol. 14 (3), pp. 130-137.

20. 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.

21. Hochreiter, S., Schmidhuber, J. Long Short-Term Memory // Neural computation. 1997. Vol 9 (8), pp. 1735-1780.

22. 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.

23. 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.