Экономический журнал ВШЭ

Наукастинг агрегированных финансовых индикаторов российских предприятий

2026-04-07T21:37:38+03:00

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.

Глубинное изучение влияния ESG-показателей на стоимость компаний на примере рынка Индонезии: взгляд моделей ИИ

2026-04-07T21:37:41+03:00

В работе проанализировано воздействие широкого спектра глубинных компонент ESG (отдельных ESG-практик) на стоимость компаний, измеряемую коэффициентом Q-Тобина. Эмпирические оценки показаны на выборке публичных компаний развивающегося рынка капитала Индонезии, в период с 2018 г. по 2023 г. Мы применили оригинальный авторский подход, в котором на первом этапе строятся модели машинного обучения, позволяющие выявить ключевые детерминанты рыночной стоимости компаний, а на втором этапе применяется объяснительный ИИ (вектора Шепли) для ранжирования по силе и выявления направления влияния этих детерминант. Нами построены и сопоставлены по метрике качества RMSE ряд моделей машинного обучения: регрессия лассо (lasso), регрессия ридж (ridge), дерево решений, случайный лес, регрессия CatBoost, градиентный бустинг, экстремальный градиентный бустинг, многослойный персептрон, бэггинг-регрессор (ансамблевая модель). Лучшей моделью признан СatBoostRegressor.

Результаты расчетов показали, что наиболее высока сила влияния на стоимость компаний Индонезии у следующих ESG-показателей: разнообразие состава совета директоров, управление качеством продукции и качество менеджмента в области расходования воды. Направление влияния этих показателей на стоимость компаний положительно, как и предполагалось. В то же время мы получили ряд неожиданных выводов относительно отрицательного влияния таких показателей, как интегральный показатель социальной ответственности, показатель принятия мер, снижающих неблагоприятное воздействие на климат, качество менеджмента в области утилизации отходов и качество системы аудита. Подтвердилась гипотеза о том, что на развивающемся рынке показатели ESG играют меньшую роль во влиянии на стоимость компании по сравнению с фундаментальными показателями. Не подтвердилась гипотеза о том, что экологическая ответственность играет большую роль в формировании стоимости компании по сравнению с социальной ответственностью.

Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA

2026-04-07T21:37:42+03:00

Статья посвящена сравнительному анализу современных методов прогнозирования доходностей криптовалют. Рассматриваются классические статистические модели (SARIMA), методы машинного обучения, нейросетевые архитектуры (LSTM, трансформеры) и метод группового учета аргументов (МГУА). Цель исследования – выявить сильные и слабые стороны различных подходов при краткосрочном и среднесрочном прогнозировании.

Эмпирический анализ проведен на временных рядах 13 крупнейших криптовалют за период от 3 до 10 лет. Данные были преобразованы в логарифмические доходности, использовались блочная кросс-валидация и автоматизированный подбор гиперпараметров. Рассматривались горизонты 1, 7 и 30 дней, а также рекурсивные и масштабируемые методы многошагового прогнозирования.

Результаты показали, что для краткосрочных горизонтов наиболее точными оказались модели МГУА, тогда как LSTM демонстрировала худшие показатели. На месячном горизонте лидерство перешло к трансформеру Chronos, применявшемуся в режиме обучения внутри контекста. SARIMA сохранила устойчивость на средних горизонтах и подтвердила роль надежного бенчмарка. Масштабируемые методы позволили снизить ошибки по сравнению с рекурсивным прогнозом.

Полученные выводы подчеркивают отсутствие универсального алгоритма и важность выбора метода в зависимости от горизонта и задач анализа.

Анатомия поведенческих циклов: стресс-тестирование модели переключения эвристик

2026-04-07T21:37:45+03:00

В работе проводится всестороннее стресс-тестирование чувствительности модели переключения эвристических правил. Модель объясняет феномен тяжелых хвостов в распределении макроэкономических данных, который классические новокейнсианские модели не могут воспроизвести. Решением служит ослабление предпосылки о полной рациональности агентов. Агенты в модели опираются на выбор среди простых эвристических правил [De Grauwe, 2012]. Этот механизм создает волны оптимизма/пессимизма среди агентов, что и приводит к более затяжным отклонениям от равновесия. Мы демонстрируем, как реализация этого механизма зависит от значений параметров и шоков, в том числе за счет нелинейности модели. В заключение мы показываем, что при наиболее реалистичной параметризации модели не только существенно осложняется возврат экономики к равновесию, но и становится возможным ее длительное нахождение в состоянии, близком к равновесию, при незаякоренных ожиданиях агентов. Это, в свою очередь, усиливает реакцию на последующие шоки. Полученные результаты углубляют понимание модели переключения эвристик и закрывают пробел в понимании поведения механизма циклов пессимизма/оптимизма, ранее рассмотренных только в общем виде.

Способствуют ли сделки цифровых экосистем росту слияний?

2026-04-07T21:37:47+03:00

В статье мы оцениваем, как сделки экономической концентрации крупнейших российских цифровых экосистем – VK, Сбер, Яндекс, МТС и Т-Банк – отражаются на последующей активности сделок слияний и поглощений в затронутых отраслях в период между 2001 и 2025 гг. Для этого мы используем базу из 10415 сделок экономической концентрации. Мы определяем «воздействие» на уровне сектор–месяц: наблюдение считается подвергшимся воздействию, если в соответствующем месяце в секторе произошла хотя бы одна сделка с участием цифровой экосистемы. Эмпирический дизайн включает два взаимодополняющих этапа. Сначала мы строим модель с двунаправленными фиксированными эффектами, которая позволяет выявить связь между сделками цифровых экосистем и количественными показателями M&A-активности отрасли: после экосистемного приобретения количество сделок растет, а их средняя стоимость снижается. Затем динамическая разность разностей с панельным мэтчингом позволяет идентифицировать причинный эффект. Сопоставление секторов основано на трехмесячной предыстории воздействия и взвешивании по мере склонности, что обеспечивает удовлетворительный баланс ковариат. Полученные оценки показывают: после сделки экономической концентрации с цифровыми экосистемами частота сделок в отрасли увеличивается, тогда как агрегированная стоимость остается неизменной. Результаты указывают на структурный сдвиг: крупные платформы стимулируют более частые, но менее капиталоемкие сделки, что усложняет мониторинг рынка при действующем пороге обязательного уведомления в 7 млрд руб. Поэтому и новое регулирование платформ по принципу привратников, которое в настоящий момент активно обсуждается, позволит учитывать такие серии небольших, но в сумме значимых приобретений.

Прогнозирование численности населения современного мегаполиса (на примере Санкт-Петербурга): методологические аспекты

2026-04-07T21:37:47+03:00

Статья посвящена вероятностному когортно-компонентному прогнозированию населения мегаполиса как открытой демографической системы, где миграция определяет динамику численности и возрастной структуры. В рассматриваемой методологии рождаемость, смертность и миграция моделируются как стохастические возрастно-половые процессы: возрастные профили редуцируются методом PCA, динамика временных коэффициентов описывается авторегрессионной моделью первого порядка AR(1) (эквивалент ARIMA(1,0,0)), а прогноз формируется как распределение траекторий в Монте-Карло-симуляции. Миграционная компонента задана через относительные возрастно-половые ставки с дрейфом и дополнительную уровневую корректировку (bump-компонента), отражающую возможный недоучет миграционного прироста; интервальные оценки валидируются ретроспективной проверкой (backtesting) и калибруются по эмпирическому покрытию. Все расчеты произведены по данным Санкт-Петербурга, эмпирическая база охватывает 1990–2023 гг., горизонт прогноза – до 2045 г., что обеспечивает сопоставимость с официальными оценками Росстата. Медианная траектория фиксирует переход города к режиму демографического «плато»: к 2045 г. численность составляет 5,62 млн человек при 90-процентном интервале 5,225 – 6,041 млн человек. Одновременно усиливается старение населения (доля жителей 65+ достигает 23% к 2045 г.), и роль миграции смещается от источника роста к механизму компенсации естественной убыли и стабилизации возрастной структуры. Сценарные прогнозы показывают, что долговременная развилка траекторий определяется прежде всего накопленным миграционным эффектом (к 2045 г. – от 5,32 млн человек до 6,40 млн в крайних вариантах). Сопоставление с прогнозом Росстата выявляет умеренные расхождения, траектория официального прогноза укладывается в доверительные интервалы вероятностной модели. Предложенный инструментарий может применяться в прогнозировании численности населения на уровне крупных городов и регионов страны.