Перспективные модели финансового прогнозирования доходов бюджета

Предметом исследования является выбор модели финансового прогнозирования доходов бюджета, позволяющей наиболее корректно провести оценку и получить прогнозное значение на следующий период. Целью исследования является выявление перспективных моделей финансового прогнозирования доходов бюджета РФ. Применяемые с 60-х гг. ХХ в. DSGE-модели не смогли выявить целый ряд кризисов и своевременно предсказать уровень изменения государственных доходов в США, Еврозоне, России, что не позволило оперативно корректировать политику, проводимую в области управления государственными доходами. Новизна исследования состоит в выявлении недостатков современной методологии финансового прогнозирования, связанных с устареванием используемых подходов и необходимостью поиска новых моделей, позволяющих оперативно уточнять прогностические результаты. В исследовании использовались такие методы, как: измерение прогнозных величин и размера их ошибок, анализ и сравнение результатов, полученных по методам и моделям машинного и глубокого обучения. В результате исследования прогностических методов и моделей машинного и глубокого обучения, используемых в реальном бизнесе, на фондовом рынке и в государственных финансах, были отобраны наиболее перспективные из них. Основными критериями отбора послужили: возможность моделирования нелинейных связей параметров, оперативность расчета, минимальность ошибки, отсутствие проблемы с переобучением. В процессе исследования была выявлена целесообразность проведения декомпозиции временных рядов, что позволило минимизировать прогностические ошибки и выбрать наиболее точную из моделей для прогнозирования доходов бюджета РФ. Результаты исследования могут быть использованы для формирования системы прогнозных показателей, применяемых для разработки системы дашбордов для государственных служащих с целью повышения точности и оперативности принимаемых ими решений.

1. Ширинов С. Э. Роль и значение финансовых нормативов в прогнозировании налоговых поступлений в бюджет. Экономика и бизнес: теория и практика. 2021;(5-3):186-189. DOI: 10.24412/2411-0450-2021-5-3-186-189

2. Федотов Д. Ю. Анализ прогнозирования налоговых доходов федерального бюджета России. Финансы и кредит. 2017;23(34):2016-2031. DOI: 10.24891/fc.23.34.2016

3. Джу О. С. Прогнозирование устойчивости бюджетной системы в условиях развития интеграционных процессов с применением метода когнитивного моделирования. Вестник Ростовского государственного экономического университета (РИНХ). 2021;(3):177-185.

4. Барбашова Н. Е., Комарницкая А. Н. Мировой опыт долгосрочного бюджетного прогнозирования: национальный и региональный аспекты. Финансы: теория и практика. 2021;25(6):40-53. DOI: 10.26794/2587-5671-2021-25-6-40-53

5. Макеева Н. М., Станкевич И. П. Наукастинг элементов использования ВВП России. Экономический журнал Высшей школы экономики. 2022;26(4):598-622. DOI: 10.17323/1813-8691-2022-26-4-598-622

6. Ballarin G., Dellaportas P., Griliryeva L., Hirt M., van Huellen S., Ortega J.-P. Reservoir computing for macroeconomic forecasting with mixed-frequency data. International Journal of Forecasting. 2024;40(3):1206-1237. DOI: 10.1016/j.ijforecast.2023.10.009

7. Кравцов М. К., Лазовский В. Г., Федченко Л. В. Прогнозирование макропоказателей белорусской экономики на основе динамической балансово-эконометрической межотраслевой модели. Экономика, моделирование, прогнозирование. 2018;(12):202-219.

8. Серков Л.А. Критический подход к анализу проблем динамических стохастических моделей общего равновесия. Экономика и бизнес: теория и практика. 2015;(8):122-126.

9. Storm S. Cordon of conformity: Why DSGE models are not the future of macroeconomics. International Journal of Political Economy. 2021;50(2):77-98. DOI: 10.1080/08911916.2021.1929582

10. Ghysels E., Ozkan N. Real-time forecasting of the US federal government budget: A simple mixed frequency data regression approach. International Journal of Forecasting. 2015;31(4):1009-1020. DOI: 10.1016/j.ijforecast.2014.12.008

11. Борисова О. В. Применимость авторегрессии для моделирования бюджетных показателей. РИСК: ресурсы, информация, снабжение, конкуренция. 2023;(3):184-190. DOI: 10.56584/1560-8816-2023-3-184-190

12. Choubey P. Time series decomposition. WallStreetMojo. Nov. 26, 2023. URL: https://www.wallstreetmojo.com/time-series-decomposition/ (дата обращения: 24.12.2023).

13. Горшенин А. К., Кузьмин В. Ю. Анализ конфигураций LSTM-сетей для построения среднесрочных векторных прогнозов. Информатика и ее применения. 2020;14(1):10-16. DOI: 10.14357/19922264200102

14. Alsharef A., Aggarwal K., Sonia, Kumar M., Mishra A. Review of ML and AutoML solutions to forecast time-series data. Archives of Computational Methods in Engineering. 2022;29(7):5297-5311. DOI: 10.1007/s11831-022-09765-0

15. Alam B. CatBoost algorithm: Supervised machine learning in Python. Hands-On.Cloud. Apr. 28, 2022. URL: https://hands-on.cloud/catboost-algorithm-supervised-machine-learning-in-python/ (дата обращения: 24.06.2024).

16. Filho M. Multiple time series forecasting with N-BEATS in Python. Forecastegy. Jun. 02, 2023. URL: https://forecastegy.com/posts/multiple-time-series-forecasting-nbeats-python/ (дата обращения: 24.06.2024).

17. Gers F. A., Schmidhuber J., Cummins F. Learning to forget: Continual prediction with LSTM. Neural Computation. 2000;12(10):2451-2471. DOI: 10.1162/089976600300015015

18. Oreshkin B. N., Carpov D., Chapados N., Bengio Y. Nbeats: Neural basis expansion analysis for interpretable time series forecasting. In: 8th Int. virtual conf. on learning representations — ICLR 2020 (April 26-May 01, 2020). Appleton, WI: ICLR; 2020:1-31. URL: http://mapdic.com/upload/2022/07/param-a3aa083f4dc74071814b8986acf28c71.pdf

19. Рапаков Г. Г., Горбунов В. А., Дианов С. В., Елизарова Л. В. Исследование LSTM-нейросетевого подхода при моделировании временных рядов. Вестник Череповецкого государственного университета. 2023;(3):47-54. DOI: 10.23859/1994-0637-2023-3-114-4

20. Фокин Н., Полбин А. VAR-LASSO модель для прогнозирования ключевых макроэкономических показателей России. Деньги и кредит. 2019;(2):67-93. DOI: 10.31477/rjmf.201902.67

21. Фокин Н. Д. VAR-LASSO модель на большом массиве российских экономических данных. Экономическое развитие России. 2019;26(1):20-30.

22. Bollt E. M. On explaining the surprising success of reservoir computing forecaster of chaos? The universal machine learning dynamical system with contrast to VAR and DMD. Chaos. 2021;31(1). DOI: 10.1063/5.0024890