Дослідження процедури LSTM-SARIMA для прогнозування базової інфляції

Анотація

Об’єктом дослідження є прогнозування базової інфляції. У роботі досліджується ефективність нової моделі під час прогнозування базової інфляції. Вона об’єднує понад 300 компонентів у 6 за схожістю їх динаміки за допомогою оновленого алгоритму DTW, налаштованого на місячні часові ряди, та алгоритму K-Means для групування. Надалі модель SARIMA виділяє лінійні та сезонні компоненти, за якими слідує модель LSTM, котра пояснює нелінійності та взаємозалежності. Це вирішує проблему високоякісного прогнозування інфляції на дизагрегованому датасеті. У той час як стандартні та традиційні економетричні методи зосереджені на обмежених наборах даних, які складаються лише з кількох змінних, запропонована методологія здатна охопити більшу частину волатильності, що містить більше інформації. Модель порівнюється з великою кількістю інших моделей, простих, таких як Random Walk і SARIMA, до моделей ML, таких як XGBoost, Random Forest і простий LSTM. Незважаючи на те, що всі моделі Data Science демонструють пристойну продуктивність, процедура DTW+K-Means+SARIMA+LSTM дає найкращий RMSE прогнозів на 1 місяць і на 2 місяці вперед, що підтверджує високу якість запропонованої прогнозної моделі та є рішенням для ключової проблеми, описаної в цій роботі. Це пояснюється здатністю моделі враховувати як лінійні/сезонні патерни даних за допомогою частини SARIMA, так і нелінійні та взаємозалежні з використанням підходу LSTM. Моделі підігнані для випадку України, оскільки вони оцінені на відповідних даних і можуть активно використовуватися для подальшого прогнозування інфляції.