Изкуственият интелект (AI) може да помогне за проследяване на инфлационните рискове в реално време. Експерти представят в блога на ЕЦБ нов модел, базиран на машинно обучение, който информира колко вероятно е инфлацията да бъде значително по-висока или по-ниска от очакваното...
В условия на нарастваща икономическа и политическа несигурност цените могат да се променят по-бързо и по-рязко. Затова решенията в областта на паричната политика се основават не само на най-вероятната траектория на инфлацията, която икономистите наричат „базов сценарий“, но и на оценка на рисковете около него. С други думи — колко вероятно е инфлацията да се окаже по-висока или по-ниска от базовия сценарий. Оценяването на това става все по-сложно в свят с нарастваща несигурност.
Евросистемата (ЕЦБ и националните централни банки на страните от еврозоната) използва цялостен набор от инструменти за анализ на рисковете около прогнозите за инфлацията. Например анализът на чувствителността, базиран на пазарни данни, разглежда как неочаквани промени в ключови икономически променливи, като цените на петрола, биха повлияли на икономиката на еврозоната. Освен това анализът, базиран на модели, изследва как широк спектър от възможни развития може да оформи цялото разпределение на бъдещите макроикономически резултати. Това дава по-широка перспектива от анализа на чувствителността. Въпреки това стандартните икономически модели обикновено се базират само на ограничен брой показатели и често разчитат на опростяващи предположения.
Описаният модел за машинно обучение има две основни предимства за анализа на риска. Първо, той може да обработва по-голям брой икономически показатели. Второ, моделите за машинно обучение могат да улавят много общи и сложни зависимости в данните. Това им позволява да откриват и отчитат нелинейности, които традиционните икономически модели често изключват.
Машинно обучение за оценка на инфлационния риск
Инструментът за машинно обучение, който се използва за оценка на рисковете около бъдещата инфлация, е базиран на модел от типа „quantile regression forest“ (QRF). Той изпълнява двойна функция. Първо, генерира прогнози за инфлацията. Второ, предоставя цялостна оценка на рисковете около даден базов сценарий, като използва голям набор от икономически променливи, които редовно се наблюдават от експертите на Евросистемата. Моделът създава резултати въз основа на исторически данни, върху които е обучен, както и на най-актуалната информация за ключови фактори на инфлацията, като развитието на заплатите и очакванията за продажните цени. ЕЦБ вече използва QRF модела за подпомагане на краткосрочните прогнози за инфлацията и за оценка на рисковете около базовия сценарий. От края на 2022 г. той е част от по-широкия аналитичен инструментариум, използван при подготовката на паричната политика.
Важно е, че потенциалът на QRF модела надхвърля самото прогнозиране — той може да помогне да се установи кои фактори движат инфлационните рискове във времето. Например през 2025 г. заплатите и очакванията за продажните цени са били ключовите фактори зад ревизиите на прогнозите за базисната инфлация (HICPX).
Сигнали за риск в реално време
През последните години изводите от QRF модела са били особено полезни. По-специално, моделът е помогнал за откриване в реално време на възникващи инфлационни рискове в различните компоненти на основния показател за инфлация (HICP). Това е било особено важно, защото нестабилната среда след пандемията затрудни тълкуването на често противоречивите сигнали от големия брой индикатори, които традиционно се наблюдават. Докато традиционните модели се затрудняват с тези противоречия, QRF помага да се осмислят.
Сравнението между сигналите от QRF и реалните резултати показва, че моделът е бил информативен. Например за второто и четвъртото тримесечие на 2025 г. диапазонът на QRF е бил над прогнозите на ЕЦБ, а действителната инфлация действително е била по-висока. Когато прогнозите са били близо до средата на диапазона (без значителни рискове), те са били по-точни. С напредването на тримесечието диапазонът на QRF се стеснява, като същевременно обхваща крайния резултат — знак, че точността се подобрява с повече налична информация.
Изводи и бъдещи перспективи
Примерите показват, че QRF моделът е полезен инструмент за ориентиране в несигурни макроикономически условия. Опитът на ЕЦБ показва няколко важни насоки. Първо, инструментите за машинно обучение могат да допълват традиционните модели, като предоставят навременна информация за рисковете — тяхната големина, посока и фактори. Второ, тези инструменти са ценни не само заради точността на прогнозите, но и заради способността им да разкриват сложни зависимости в данните, включително нелинейности и секторни динамики.
Освен това QRF рамката позволява по-ефективно обработване на нарастващи обеми от данни. Това прави възможно оценяването на икономически значими рискове в реално време и бързото откриване на промени в базовия сценарий или съпътстващите го рискове. Моделът също така обяснява как ключови променливи, като инфлация или производство, се развиват в зависимост от основните си фактори (например заплати, разходи за внос или очаквания). Поради това се очаква тези нови инструменти да играят все по-голяма роля в прогнозирането, наблюдението на икономическите тенденции и вземането на решения за паричната политика.
