Наукастинг агрегированных финансовых индикаторов российских предприятий
Аннотация
Исследование посвящено разработке модельного аппарата для наукастинга (оценки текущего состояния) показателей финансового состояния российских организаций, официальная статистика по которым становится доступна с задержкой. Рассматривается 16 целевых переменных, в число которых входят прибыль предприятий, оборотные и внеоборотные активы, выручка, расходы различных категорий, показатели общей и просроченной задолженности, в рамках различных секторов: сельское хозяйство, добыча полезных ископаемых, обрабатывающие производства, строительство, торговля и экономика в целом. В качестве предикторов берутся оперативно публикуемые экономические и финансовые индикаторы российской экономики, в том числе учитывающие отраслевую специфику. Внимание фокусируется на построении интервальных (вероятностных) наукастов, которые отражают более полную картину динамики переменных и позволяют оценивать риски. Несмотря на обилие отечественных исследований по наукастингу макроэкономических показателей, в том числе с использованием методов вероятностного прогнозирования, проблема оперативной оценки агрегированных финансовых индикаторов ранее не затрагивалась. В работе используются такие инструменты, как линейная регрессия, квантильная регрессия и квантильная нейронная сеть. Предикторы подбираются с помощью линейной и квантильной LASSO-регрессий. Качество моделей сравнивается с авторегрессией первого порядка и динамической факторной моделью. После тестирования на исторических данных для каждой целевой переменной выбирается оптимальная модель. Согласно полученным результатам, для построения наукастов выбранных индикаторов следует использовать разные инструменты. Тем не менее нейронная сеть, обладающая преимуществом моделирования сложных нелинейных зависимостей, оказывается лучшим подходом к интервальному и точечному наукастингу для наибольшего числа целевых показателей. Построенные модели могут использоваться управляющими органами для получения оперативных данных по финансовым индикаторам и разработки своевременных мер по поддержке российских предприятий, а также в рамках таких задач, как оценка долговой нагрузки и финансовой устойчивости бизнеса, планирование бюджетных поступлений, планирование налоговой политики.
Скачивания
Литература
Adrian T., Boyarchenko N., Giannone D. (2019) Vulnerable Growth. The American Economic Review, 109, 4, pp. 1263–89.
Cannon A. (2011) Quantile Regression Neural Networks: Implementation in R and Application to Precipitation Downscaling. Computers & Geosciences, 37, 9, pp. 1277–1284.
Carriero A., Clark T.E., Marcellino M. (2020) Nowcasting Tail Risks to Economic Activity with Many Indicators. Working Paper no 20–13R2. Federal Reserve Bank of Cleveland.
Carriero A., Clark T.E., Marcellino M. (2022) Specification Choices in Quantile Regression for Empirical Macroeconomics. Working Paper no 22–25. Federal Reserve Bank of Cleveland.
Fokin N.D. (2023) Nowcasting and Forecasting Key Russian Macroeconomic Variables With the MFBVAR Model. Economic Policy, 18, 3, pp. 110–135. (In Russ.)
Gareev M.Y., Polbin A.V. (2022) Nowcasting Russia’s key Macroeconomic Variables Using Machine Learning. Voprosy Ekonomiki, 8, pp. 133–157. (In Russ.)
He Y., Li H. (2018) Probability Density Forecasting of Wind Power Using Quantile Regression Neural Network and Kernel Density Estimation. Energy Conversion and Management, 164, 15, pp. 374–384.
He Y., Qin Y., Wang S., Wang X., Wang C. (2019) Electricity Consumption Probability Density Forecasting Method Based on LASSO-Quantile Regression Neural Network. Applied Energy, 233–234, pp. 565–575.
He Y., Xu Q., Wan J., Yang S. (2016) Short-Term Power Load Probability Density Forecasting Based on Quantile Regression Neural Network and Triangle Kernel Function. Energy, 114, 1, pp. 498–512.
Kazakova M.V., Fokin N.D. (2024) Testing Forecasting Properties of Different Approaches to Interval Forecasting (Using the Example of Inflation in Russia). Voprosy Statistiki, 31, 5, pp. 23–40. (In Russ.)
Koenker R. (2005) Quantile Regression. Cambridge University Press.
Kryzhanovskiy O., Mogilat A., Shuvalova Zh., Gvozdev D. (2025) Using LSTM Neural Networks for Nowcasting and Forecasting GVA of Industrial Sectors. Russian Journal of Money and Finance, 84, 1, pp. 93–104.
Lyakhnova M., Kolenko Y. (2024) Nowcasting the Output Gap in Russia Using Enterprise Monitoring Data. Russian Journal of Money and Finance, 83, 2, pp. 26–53.
Maiorova K., Fokin N. (2021) Nowcasting Growth Rates of Russia’s Export and Import by Commodity Groups. Russian Journal of Money and Finance, 80, 3, pp. 34–48.
Makeeva N., Stankevich I. (2022) Nowcasting of the Components of Russian GDP. HSE Economic Journal, 26, 4, pp. 598–622. (In Russ.)
Makeeva N.M., Stankevich I.P., Lyubaykin N.S. (2024) Nowcasting the Russian Economy Macroeconomic Indicators under Uncertainty: Does Taking into Account the News Sentiment Help. Voprosy Ekonomiki, 3, pp. 120–142. (In Russ.)
Makeeva N. (2025) The Impact of the Official Statistics Revision on the Accuracy of the Russian Macroeconomic Indicators Nowcasting Models. Applied Econometrics, 79, pp. 27–49. (In Russ.)
Mitchell J., Poon A., Mazzi G.L. (2022) Nowcasting Euro Area GDP Growth Using Bayesian Quantile Regression. Essays in Honor of M. Hashem Pesaran: Prediction and Macro Modeling (eds. A. Chudik et al.). Emerald Group Publishing Limited. Ch. 3.
Polbin A., Shumilov A. (2025) Nowcasting and Forecasting Russian GDP and its Components Using Quantile Models. Applied Econometrics, 79, pp. 5–26. (In Russ.)
Rybak K.S. (2023) Evaluating the Role of Global Factors in GDP Nowcasting. Russian Economic Development, 3, 12, pp. 18–22. (In Russ.)
Stankevich I. (2023) Application of Markov-Switching MIDAS Models to Nowcasting of GDP and its Components. Applied Econometrics, 2, 70, pp. 122–143. (In Russ.)
Taylor J.W. (2000) A Quantile Regression Neural Network Approach to Estimating the Conditional Density of Multiperiod Returns. Journal of Forecasting, 19, 4, pp. 299–311.
Zubarev A.V., Rybak K.S. (2021) GDP Nowcasting: Dynamic Factor Model vs. Official Forecasts. Russian Economic Development, 28, 12, pp. 34–40. (In Russ.)
Zubarev A., Lomonosov D., Rybak K. (2022) Estimation of the Impact of Global Shocks on the Russian Economy and GDP Nowcasting Using a Factor Model. Russian Journal of Money and Finance, 81, 2, pp. 49–78.
