Эксперты Института прогнозирования и макроэкономических исследований (ИПМИ) спрогнозировали изменение базовой и сезонной переменной инфляции (цены на фрукты и овощи) на 2023 год.
Для этого были применены модели ARIMA и SARIMA. Сложность задачи прогнозирования временных рядов заключается во временной изменчивости рядов и неспособности моделей прогнозирования полностью отражать эти изменения. Чтобы обеспечить автоматический учет изменений с течением времени, ИПМИ разработала структуру для оптимизации относительного упорядочения моделей, используемых при прогнозировании временных рядов.
Для справки: Составляющие инфляции были разделены на 3 основные группы, которые затем были проанализированы и спрогнозированы. К ним относятся: базовая инфляция, регулируемые цены и инфляция с сезонными переменными ценами (фрукты и овощи). При расчете базовой инфляции не учитываются виды товаров и услуг, на которые влияют сезонные изменения. Инфляция регулируемых цен состоит из административно регулируемых товаров и услуг. При расчете сезонной переменной инфляции, в основном, учитываются цены на овощи и фрукты.
В случае Узбекистана 78% роста индекса потребительских цен (ИПЦ) соответствует базовой инфляции. За счет этого, решения по денежно-кредитной политике обычно принимаются на основе результатов этой инфляции.
Фрукты и овощи являются наиболее нестабильными группами в корзине индекса потребительских цен (ИПЦ), на которые приходится 8% всей корзины ИИП.
Согласно результатам прогноза ИПМИ, базовая инфляция на 2022 год составляет 11,2%, а плодоовощная инфляция – 15,9%. На 2023 год базовая инфляция ожидается на уровне 10,5%, а плодоовощная инфляция — 22,1%.
Для справки: Предлагаемый метод динамически оптимизирует результаты модели (мета-обучение). Оптимизация повторяется до тех пор, пока не будет найдена наиболее подходящая модель на основе функции временного ряда (итеративный метод).
В заключении, тестирование отдельных моделей прогнозировании временных рядов требует много времени и должно происходить с учётом специфики прогнозируемых данных. Поэтому, эксперты ИПМИ продолжат прогнозирование временных рядов с применением алгоритмов машинного обучения (machine learning framework).
