Прогнозирование оттока депозитов населения на основе интенсивности поисковых запросов

Предмет исследования — интенсивность целевых поисковых запросов как опережающий индикатор оттока банковских депозитов. Цель — предложить механизм учета информации о динамике поисковых запросов, способный заблаговременно сигнализировать об изменениях объемов депозитов физических лиц. Исследование проведено с применением моделей анализа временных рядов. Использованы статистические данные Росстата, Банка России, поисковых запросов Яндекс wordstat, Google Trends за период с февраля 2009 по май 2022 г. Выявлена зависимость между интенсивностью целевых поисковых запросов и решениями домохозяйств снять денежные средства с депозитов и банковских счетов. Проведена оценка краткосрочной прогностической способности частоты поисковых запросов на динамику депозитов. Обосновано использование статистических показателей о динамике целевых поисковых запросов в качестве опережающего индикатора оттока денежных средств населения с депозитов в коммерческих банках. Выявлено, что использование показателя интенсивности целевых поисковых запросов как сигнального индикатора оттока размещенных денежных средств населения повышает точность прогнозирования на горизонте в 1 месяц на 0,15–0,25 п.п. для оценки динамики рублевых депозитов и на 0,20–0,35 п.п. для оценки динамики валютных депозитов. Особенно полезным для менеджмента коммерческих банков оказывается информация из поисковых запросов в случае угрозы резкого оттока депозитов населения. Полученные результаты свидетельствуют о перспективности использования текстовой информации, в том числе целевых поисковых запросов в целях формирования опережающих индикаторов оттока депозитов населения. Превентивная идентификация негативных тенденций, связанных с оттоком депозитов населения, способна обеспечить устойчивость кредитного учреждения к дестабилизирующему макроэкономическому влиянию.

1. Bollen J., Mao H., Zeng X. Twitter mood predicts the stock market. Journal of Computational Science. 2011;2(1):1–8. DOI: 10.1016/j.jocs.2010.12.007

2. Голощапова И. О., Андреев М. Л. Оценка инфляционных ожиданий российского населения методами машинного обучения. Вопросы экономики. 2017;(6):71–93. DOI: 10.32609/0042–8736–2017–6–71–93

3. Куровский Г. С. Использование текстовой информации для прогнозирования в макроэкономике. Вестник Московского университета. Серия 6. Экономика. 2019;(6):39–58.

4. Dong Y., Yan D., Almudaifer A. I., Yan S., Jiang Z., Zhou Y. BELT: A pipeline for stock price prediction using news. In: 2020 IEEE Int. conf. on Big Data (Big Data). (Atlanta, GA, 10–13 December 2020). Piscataway, NJ: IEEE; 2020:1137–1146. DOI: 10.1109/BigData50022.2020.9378345

5. Korivi N., Naveen K. S., Keerthi G. C., Manikandan V. M. A novel stock price prediction scheme from Twitter data by using weighted sentiment analysis. In: 2022 12th Int. conf. on cloud computing, data science & engineering (Confluence). (Noida, 27–28 January 2022). Piscataway, NJ: IEEE; 2022:623–628. DOI: 10.1109/Confluence52989.2022.9734139

6. Трофимов Д. В. Изменение структуры депозитов населения: ликвидность и стабильность банковских пассивов. Вопросы экономики. 2017;(11):152–160. DOI: 10.32609/0042–8736–2017–11–152–160

7. Илюнина Д. А., Луняков О. В. Сущность и роль депозитных ресурсов коммерческого банка. Финансы и кредит. 2017;23(32):1894–1910. DOI: 10.24891/fc.23.32.1894

8. Кузнецов А. В. Влияние реальной процентной ставки на сбережения населения. Деньги и кредит. 2017;(5):22–27.

9. Гуров И. Н. Последствия изменений налогообложения доходов по депозитам физических лиц: итоги 2020–2021 гг. Вестник Института экономики Российской академии наук. 2022;(1):112–132. DOI: 10.52180/2073–6487_2022_1_112_132

10. Diamond D. W., Dybvig P. H. Bank runs, deposit insurance, and liquidity. Journal of Political Economy. 1983;91(3):401–419. URL: https://www.bu.edu/econ/files/2012/01/DD83jpe.pdf

11. Chang R., Velasco A. The Asian liquidity crisis. NBER Working Paper. 1998;(6796). URL: https://www.nber.org/system/files/working_papers/w6796/w6796.pdf

12. Postlewaite A., Vives X. Bank runs as an equilibrium phenomenon. Journal of Political Economy. 1987;95(3):485–491. DOI: 10.1086/261468

13. Kindleberger C. P. Manias, panics and crashes: A history of financial crises. New York, NY: Basic Books; 1978. 365 p.

14. Allen F., Gale D. Optimal financial crises. The Journal of Finance. 1998;53(4):1245–1284. DOI: 10.1111/0022–1082.00052

15. Chari V. V. Banking without deposit insurance or bank panics: Lessons from a model of the U. S. National Banking System. Federal Reserve Bank of Minneapolis Quarterly Review. 1989;13(3):3–19.

16. Пестова А. А., Панкова В. А., Ахметов Р. Р., Голощапова И. О. Разработка системы индикаторов финансовой нестабильности на основе высокочастотных данных. Деньги и кредит. 2017;(6):49–58.

17. Preis T., Moat H. S., Stanley H. E. Quantifying trading behavior in financial markets using Google Trends. Scientific reports. 2013;3:1684. DOI: 10.1038/srep01684

18. Garcia J., Werner T. Inflation risks and inflation risk premia. European Central Bank. Working Paper Series. 2010;(1162). URL: https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1162.pdf

19. Abildgren K., Kuchler A. Revisiting the inflation perception conundrum. Journal of Macroeconomics. 2021;67:103264. DOI: 10.1016/j.jmacro.2020.103264