1 of 13

Моделирование последствий денежно-кредитной политики с применением методов глубинного обучения

​

​

Колесник Софья

Научный консультант MSU.AI: Виктор Немченко

Курс: «Нейронные сети и их применение в научных исследованиях»

2 of 13

Моделирование последствий ДКП с применением глубинного обучения

Монетарный шок — это неожиданное или непредсказуемое изменение инструментов денежно-кредитной политики, которое оказывает значительное влияние на экономику и приводит к отклонению от прогнозируемой траектории

Рост процентной ставки → Удорожание кредитов → Снижение потребления и инвестиций → Замедление роста ВВП → Снижение инфляции

​

Основная цель: изучение влияния монетарной политики с учетом нелинейных эффектов и асимметричных реакций

Ключевой результат: эффективность ДКП зависит от фазы экономического цикла

​

Введение в тему

3 of 13

Моделирование последствий ДКП с применением глубинного обучения

Обзор литературы

Эффективность ДКП в разных фазах экономического цикла

  • Tenreyro, Thwaites, 2016: ДКП менее эффективна в период рецессий
  • De Santis, Tornese, 2024: ДКП более эффективна в период рецессий

Примеры интеграции глубинного обучения и эконометрики:

  • ARMA Cell (Schiele et al., 2022):
    • Модульная архитектура, интегрирующая авторегрессию (AR) и скользящее среднее (MA) в RNN.
  • Neural Additive VAR (Bussmann et al., 2021):
    • Расширение классического VAR с включением нелинейной причинности по Грейнджер.
  • Neural Network VAR (Huynh, 2020):
    • Демонстрирует учет нелинейных зависимостей на финансовых рынках.
  • Deep TVP-VAR (Li, Yuan, 2024):
    • Использует LSTM для моделирования VAR с изменяющимися во времени коэффициентами

4 of 13

Моделирование последствий ДКП с применением глубинного обучения

Данные по США за 1988–2019

  1. Частотность данных:
    • месячная
  2. Метод аппроксимации шока ДКП:
    • Колебания цен финансовых активов в момент объявления решений ЦБ

(Bauer, Swanson, 2023)

  1. Рассматриваемые макроэкономические показатели:
    • Промышленное производство
    • Уровень безработицы
    • Индекс потребительских цен (CPI)
    • Индекс цен на сырьевые товары
    • Премия за риск по корпоративным облигациям
    • Доходность 2-летних казначейских облигаций
    • Ожидаемая инфляция на год вперёд
  2. Основные источники данных:
    • Федеральная резервная система США
    • Бюро статистики труда
    • Bloomberg

5 of 13

Моделирование последствий ДКП с применением глубинного обучения

Модель: Deep TVP-VAR (Li & Yuan, 2023)

Параметры:

  • m – число переменных
  • p – число лагов

​

LSTM:

Оригинальный подход: t, t^2…

Модификация: лаги Y

nn.Linear

Вектор ã:

  • m*m*p элементов формируют {A}
  • остальные m*(m+1)/2

формируют ∑

​

Преобразование

Энсли-Кона:

обеспечивает стабильность VAR

 и ∑ для периода t

​

6 of 13

Моделирование последствий ДКП с применением глубинного обучения

малое p (~2)

большое p (>5)

Сложность с подбором числа лагов (p)

Недостатки метода:

  • Проблема сходимости алгоритма
  • Качество прогноза не выше традиционных способов оценки TVP-VAR

7 of 13

Моделирование последствий ДКП с применением глубинного обучения

Выделение фаз экономического цикла

Учет фаз цикла через темпы рост индекса промышленного производства (y)

​

Функция сглаживания для фаз цикла (alpha = 0.125):

8 of 13

Моделирование последствий ДКП с применением глубинного обучения

Локальные проекции

Традиционный подход:

Модификаци:

изменение переменной y на горизонте h

линейная оценка последствий шока

шок ДКП

контрольные переменные

нелинейное воздействие шока ДКП�с учетом состояния экономики S

9 of 13

Моделирование последствий ДКП с применением глубинного обучения

Архитектура нейронной сети

  • Функция потерь:
    • Huber Loss
  • Оптимизация:
    • AdamW
  • Метрика:
    • MSE

10 of 13

Моделирование последствий ДКП с применением глубинного обучения

Монетарный шок

Положительные и отрицательные шоки равновероятны в обоих состояниях экономики

Плотность распределения шоков ДКП

11 of 13

Моделирование последствий ДКП с применением глубинного обучения

Импульсные отклики

Определение импульсных откликов (IRF):

  • Изменение прогнозируемой переменной y на горизонте h в ответ на единичный шок e, при неизменности остальных переменных
  • Рассматриваются для разных состояний экономики S:
    • S=1 — фаза подъема.
    • S=-1 — фаза спада.
  • Рассматриваются отдельно для стимулирующей (e = -1) и сдерживающей (e = +1) ДКП

Расчет с использованием нейронной сети:

  • Прогнозы сформированы на основе средних значений переменных в каждой фазе
  • Базовый прогноз: e = 0, средние значения остальных переменных
  • Прогноз с учетом шока: e = +1 или e = -1, средние значения остальных переменных
  • Импульсный отклик:

12 of 13

Моделирование последствий ДКП с применением глубинного обучения

Результаты

13 of 13

Моделирование последствий ДКП с применением глубинного обучения

  1. Асимметрия влияния ДКП подчеркивает важность учета фаз экономического цикла при выборе инструментов ДКП
  2. Методология сочетает интерпретируемость локальных проекций и гибкость нейронных сетей, что позволяет учитывать нелинейные эффекты и асимметричные реакции
  3. Основные результаты:
    1. Фаза спада:
      • Стимулирующая ДКП наиболее эффективна, увеличивает промышленное производство
      • Экономика более чувствительна к поддержке (например, снижению ставок)
    2. Фаза подъема:
      • Эффект стимулирующей ДКП ослаблен
      • Сдерживающая ДКП оказывает наиболее сильное влияние

​

​

​

Заключение