На главную
О журнале Редакция Подписка Архив Авторам Контактная информация
Журнал «Менеджмент и бизнес-администрирование»
№4 / 2025

Обзор и систематизация подходов по наукастингу макроэкономических и финансовых показателей на основе машинного обучения

Бычков А.А.

научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

Аннотация. В настоящей статье представлены обзор и систематизация реализованных подходов по наукастингу макроэкономических и финансовых показателей, основанных на машинном обучении. Исследованы генезис и современное применение концепции наукастинга, а также актуальные зарубежные источники по соответствующей тематике. В качестве примера представлены сведения об исследованиях по наукстингу ВВП с использованием машинного обучения, проведенных в 2022–2025 гг. Приведено описание преимуществ и ограничений наиболее популярных методов машинного обучения. Исходя из сравнения метрик качества рассмотренных моделей машинного обучения с традиционными моделями, сделан вывод о целесообразности их применения при сверхкраткосрочном прогнозировании ВВП, особенно в кризисные периоды, а также при получении оценок данного показателя в реальном времени. Вместе с тем, сохраняется проблема, заключающаяся в сложности интерпретации пути к получению результата (проблема «черного ящика»). Кроме того, установлено, что в настоящее время отсутствует метод машинного обучения, который бы существенно превосходил все остальные методы для всех стран при любых обстоятельствах. В связи с этим возрастает роль ответственности исследователей и аналитиков, использующих наукастинг макроэкономических и финансовых показателей на основе машинного обучения.

Ключевые слова: наукастинг, прогнозирование, данные в реальном времени, методы машинного обучения, ВВП.

A review and systematization of approaches to nowcasting macroeconomic and financial indicators based on machine learning

Bychkov A.A.

Research Fellow, Institute for Research of Socioeconomic Transformations and Financial Policy, Financial University under the Government of the Russian Federation, Moscow, Russia

Abstract. This article presents an overview and systematization of implemented approaches to nowcasting macroeconomic and financial indicators based on machine learning. It examines the genesis and current application of the nowcasting concept, as well as relevant international literature on the topic. As an example, information on GDP science research using machine learning, conducted in 2022–2025, is presented. The advantages and limitations of the most popular machine learning methods are described. Based on a comparison of the quality metrics of the considered machine learning models with traditional models, a conclusion was made about the advisability of their use in ultra-short-term GDP forecasting, especially during periods of crisis, as well as in obtaining estimates of this indicator in real time. However, the problem of interpreting the path to the result (the «black box» problem) remains. Furthermore, it has been established that there is currently no machine learning method that significantly outperforms all other methods for all countries under all circumstances. In this regard, the role of responsibility of researchers and analysts using nowcasting of macroeconomic and financial indicators based on machine learning is increasing.

Keywords: nowcasting, forecasting, real-time data, machine learning methods, GDP.

DOI: 10.33983/2075-1826-2025-4-165-176

Библиографический список

  1. Гареев М.Ю., Полбин А.В. Наукастиг: оценка изменения ключевых макроэкономических показателей с использованием методов машинного обучения // Вопросы экономики. — 2022. — № 8. — С. 133–157.
  2. Елисеев А. Краткосрочная оценка ВВП России с помощью DSGE-модели со смешанной частотой данных и панелью немоделируемых переменных. Серия докладов об экономических исследованиях № 145, февраль 2025 // ЦБ РФ [Электронный ресурс]. — URL: https://www.cbr.ru/statichtml/file/172426/wp_145.pdf (дата обращения: 11.11.2025).
  3. Малюгин В.И. Краткосрочное прогнозирование и наукастинг темпов роста инфляции на основе моделей по смешанным данным // Банковский вестник. — 2024. — № 1 (726). — С. 23–36.
  4. Фокин Н.Д. Наукастинг и прогнозирование основных российких макроэкономических показателей с помощью MFBVAR-модели // Экономическая политика. — 2023. — Т. 18. — № 3. — С. 110–135.
  5. Цукарев Т., Погосян К., Лемба К., Гришин Д. Наукастинг ВВП: от традиционных эконометрических моделей к машинному обучению. РД/25/1 // Евразийский Фонд Стабилизации и Развития [Электронный ресурс]. — URL: https://efsd.org/press-center/news/rabochiy-dokument-naukasting-vvp-ot-traditsionnykh-ekonometricheskikh-modeley-k-metodam-mashinnogo-o/ (дата обращения: 11.11.2025).
  6. Angelini Elena, Camba-Mendez Gonzalo, Giannone Domenico, Runstler Gerhard and Reichlin Lucrezia. Short-term forecasts of euro area GDP growth. ECB Working Paper Series № 949, October 2008 // European Central Bank [Электронный ресурс]. — URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp949.pdf (дата обращения: 11.11.2025).
  7. Aastveit Knut Are, Fastbo Tuva Marie, Granziera Eleonora and others. Nowcasting Norwegian household consumption with debit card transaction data // Journal of Applied Econometrics. — 2024. — Vol. 39. — Iss. 7. — Рр. 1220–1244.
  8. Ba?bura Marta, Runstler Gerhard. A look into the factor model black box: the role of hard and soft data in forecasting GDP. ECB Working Paper Series № 751, May 2007 // European Central Bank [Электронный ресурс]. — URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp751.pdf (дата обращения: 11.11.2025).
  9. Chinn Menzie, Meunier Baptiste, Stumpner Sebastian. Nowcasting world trade with machine learning: a three step approach. ECB Working Paper Series № 2836, 2023 // European Central Bank [Электронный ресурс]. — URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2836~6b34f0492c.en.pdf (дата обращения: 11.11.2025).
  10. Cornwall Gary, Gindelsky Marina. Nowcasting Distributional National Accounts for the United States: A Machine Learning Approach. BEA Working Paper Series, WP2024-6, September 2024 // Bureau of Economic Analysis [Электронный ресурс]. — URL: https://www.bea.gov/sites/default/files/papers/BEA-WP2024-6.pdf (дата обращения: 11.11.2025).
  11. Dauphin Jean-Francois, Dybczak Kamil, Maneely Morgan and others. Nowcasting GDP — A Scalable Approach Using DFM, Machine Learning and Novel Data, Applied to European Economies. IMF Working Papers № 2022/052, March 11, 2022 // International Monetary Fund [Электронный ресурс]. — URL: https://www.imf.org/en/publications/wp/issues/2022/03/11/nowcasting-gdp-a-scalable-approach-using-dfm-machine-learning-and-novel-data-applied-to-513703 (дата обращения: 11.11.2025).
  12. Diwakar Bharat, Rani Komal. Real-Time Economic Insights for India: A Dynamic Factor Model-based Nowcasting framework // The Indian Economic Journal. — 2024. — № 75. Special Issue. — Vol. 2. — Part 2. — Рр. 702–708.
  13. Flores Jairo, Gonzaga Bruno, Ruelas-Huanca Walter, Tang Juan. Nowcasting Peruvian GDP with Machine Learning Methods. Serie de Documentos de Trabajo, DT. № 2024-019, Diciembre 2024 // Banco Central de Reserva del Peru [Электронный ресурс]. — URL: https://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de-Trabajo/2024/documento-de-trabajo-019-2024.pdf (дата обращения: 11.11.2025).
  14. Giannone Domenico, Reichlin Lucrezia, Small David H. Nowcasting GDP and Inflation: The Real-Time Informational Content of Macroeconomic Data Releases. ECB Working Paper Series № 633, May 2006 // European Central Bank [Электронный ресурс]. — URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp633.pdf (дата обращения: 11.11.2025).
  15. Giannone Domenico, Reichlin Lucrezia, Small David H. Nowcasting: The Real-Time Informational Content of Macroeconomic Data // Journal of Monetary Economics. — 2008. — Vol. 55. — Iss. 4. — Pp. 665–676.
  16. Kant Dennis, Pick Andreas, Winter de Jasper. Nowcasting GDP using machine learning methods. DNB Working Paper № 754, November 2022 // De Nederlandsche Bank [Электронный ресурс]. — URL: https://www.dnb.nl/media/kq4pe4cr/working_paper_no_754.pdf (дата обращения: 11.11.2025).
  17. Lan Zhiqiang, Liu Zidi, Wu Guoyao. Composite GDP nowcasting using macroeconomic variables and electricity data // PLOS One. — 2025. — Vol. 20. — Iss. 6. — е0324381.
  18. Linzenich Jan, Meunier Baptiste. Nowcasting made easier: a toolbox for Economists. ECB Working Paper Series № 3004, 2024 // European Central Bank [Электронный ресурс]. — URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp3004~3ce9d0d8ca.en.pdf (дата обращения: 11.11.2025).
  19. Mourougane Annabelle, Knutsson Polina, Pazos Rodrigo and others. Nowcasting trade in value added indicators. OECD Statistics Working Papers 2023/03. SDD Working Paper № 117, September 2023 // OECD [Электронный ресурс]. — URL: https://www.oecd.org/content/dam/oecd/en/publications/reports/2023/09/nowcasting-trade-in-value-added-indicators_808b5a8c/00f8aff7-en.pdf (дата обращения: 11.11.2025).
  20. Tenorio Juan y Perez Wilder. Nowcasting del PBI con Machine Learning y datos no estructurados. Serie de Documentos de Trabajo, DT N 003-2024, Abril 2024 // Banco Central de Reserva del Peru [Электронный ресурс]. — URL: https://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de-Trabajo/2024/documento-de-trabajo-003-2024.pdf (дата обращения: 11.11.2025).
  21. Zhang Shuqin, Li Zhuoya, Jing Lijiao. Nowcasting Monthly Chinese GDP with Mixed Frequency Data: A Model Averaging Approach // Computational Economics. — 2025. — Vol. 66. — Iss. 6. — Рр. 4493–4511.
  22. The New York Fed Staff Nowcast // Federal Reserve Bank of New York [Электронный ресурс]. — URL: https://www.newyorkfed.org/research/policy/nowcast/#nowcast/2025:Q3 (дата обращения: 11.11.2025).
© 2008-2026 Акционерное общество «Издательский дом «Экономическая газета» (Joint Stock Company "Economic Newspaper" Publishing House)
Журнал «Конъюнктура товарных рынков», журнал «РИСК: Ресурсы, Информация, Снабжение, Конкуренция»