Алан Канаматович Караев – доктор экономических наук, профессор, главный научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики
Москва
Alan K. Karaev – Dr. Sci. (Econ.), Prof., Chief Researcher at the Institute for Research on Socio-Economic Transformations and Financial Policy
Moscow
Сергей Сергеевич Бельников – младший научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики
Москва
Sergey S. Belnikov – Junior Researcher at the Institute for Research on Socio-Economic Transformations and Financial Policy
Moscow
Ольга Викторовна Борисова – кандидат экономических наук, доцент, доцент кафедрыкорпоративных финансов и корпоративного управления факультета экономики и бизнеса
Москва
Olga V. Borisova – Cand. Sci. (Econ.), Assoc. Prof., Assoc. Prof. of the Department of Corporate Finance and Corporate Governance
Moscow
Актуальность исследования обусловлена необходимостью повышения точности прогностического инструментария при определении будущих доходов бюджета Российской Федерации в условиях динамичности макроэкономической ситуации, связанной с санкционными ограничениями. В сложившейся ситуации необходима оперативная реакция на происходящие изменения, что стимулирует использование данных различной периодичности в прогностических моделях и поиск новых более точных методов прогнозирования.
Объектом исследования является динамика доходов федерального бюджета.
Предмет исследования – применимость резервуарных вычислений для прогнозирования доходов федерального бюджета Российской Федерации.
Цель исследования заключается в выявлении целесообразности использования моделей резервуарных вычислений при прогнозировании доходов федерального бюджета Российской Федерации. В процессе исследования применялись эмпирические и теоретические методы. Они позволили описать суть резервуарных вычислений, пояснить полученные прогностические результаты и выбрать наиболее оптимальные гиперпараметры. В результате была предложена авторская модель на базе резервуарных вычислений, учитывающая динамику ежемесячных и ежедневных факторов развития российской экономики. Сделан вывод о том, что первый в мире опыт использования резервуарных вычислений при прогнозировании доходов федерального бюджета Российской Федерации позволил повысить качество модели. Характеристики полученной модели существенно лучше аналогов, рассчитанных с использованием иных методов. Также выявлена высокая фрагментарность российских данных и короткая длина временных рядов, что было устранено за счет сокращения временного периода для обучения моделей и импутации отсутствующих значений в данных.
The relevance of this study stems from the need to enhance the accuracy of forecasting tools in determining future budget revenues for the Russian Federation, given the dynamic macroeconomic environment shaped by sanctions. In the current situation, it is essential to respond quickly to the changes taking place. This requires the use of various frequency data in predictive models and the search for new, more accurate forecasting methods. The object of the study is the dynamics of federal budget revenues. The subject of the research is to examine the applicability of reservoir computing in forecasting federal budget revenues in the Russian Federation. The purpose of the study is to identify the feasibility of using reservoir computing models in forecasting federal budget revenues in the Russian Federation. Empirical and theoretical methods were employed in the research process. These methods allowed us to understand the essence of reservoir computing, interpret the predictive results obtained, and select the best hyperparameters. As a result, a model based on reservoir computing was proposed by the author, taking into account the dynamics of monthly and daily factors in the development of the Russian economy. It is concluded that the world’s first experience in using reservoir computing in forecasting federal budget revenues in the Russian Federation has improved the quality of the model. The characteristics of the resulting model are significantly better than analogues calculated using other methods. The high fragmentation of the Russian data and the short length of the time series have also been revealed, which was eliminated by shortening the time period for training models and imputing missing values in the data.
The authors declare that there are no conflicts of interest present.