По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2502-05

Цифровая модель глубокого обучения для прогноза ключевой ставки Центробанка РФ в условиях волатильности

Николай Иванович Ломакин кандидат экономических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: tel9033176642@yahoo.com, ORCID: 0000-0001-6597-7195
Татьяна Ивановна Кузьмина доктор экономических наук, профессор кафедры мировой экономики, ФГБОУ ВО «Российский экономический университет им. Г. В. Плеханова», Россия, 115054, г. Москва, Стремянный пер., д. 36, E-mail: tutor07@list.ru, ORCID: 0000-0002-1757-5201
Максим Сергеевич Марамыгин доктор экономических наук, директор Института финансов и права, профессор кафедры финансов, денежного обращения и кредита, ФГБОУ ВО «Уральский государственный экономический университет», Россия, 620144, г. Екатеринбург, ул. 8 Марта, д. 62, E-mail: maram_m_s@mail.ru, ORCID: 0000-0003-3416-775X
Татьяна Геннадьевна Агиевич кандидат экономических наук, доцент, кафедра экономики и предпринимательства, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: agievich@vstu.ru, ORCID: 0000-0003-4133-6873
Елена Александровна Радионова кандидат экономических наук, доцент кафедры экономики, ГБОУ ВО «Российский экономический университет им. Г. В. Плеханова» (РЭУ им. Г.В. Плеханова), Волгоградский филиал, Россия, 400005, г. Волгоград, ул. Волгодонская, д. 13, E-mail: elena-2003@mail.ru, ORCID: 0000-00034285-930X
Алексей Анатольевич Положенцев студент, факультет компьютерных наук, ФГБОУ ВО «Воронежский государственный университет», Россия, 394018, г. Воронеж, Университетская площадь, д. 1, E-mail: polojencev135@mail.ru, ORCID: 0009-0004-6824-1019
Ключевые слова: прогноз ключевой ставки Центробанка , устойчивость банковской системы , DL-модель Random Forest , язык Python

В статье рассмотрены теоретические вопросы прогнозирования ключевой ставки Центробанка в целях обеспечения устойчивости банковской системы РФ в условиях волатильности. Актуальность проведенного исследования в том, что в современных условиях широкомасштабно используются системы искусственного интеллекта, а также исследуются подходы, позволяющие восполнить пробел в теоретических вопросах, связанных с моделированием механизма изменения ключевой ставки для обеспечения устойчивости банковской системы. Научная новизна заключается в том, что в проведенном исследовании выдвинута и доказана гипотеза, что с помощью системы искусственного интеллекта «DL-модель "Случайный лес"» может быть получен точный прогноз ключевой банковской ставки. Практическая значимость в том, что результаты могут быть использованы на практике для обеспечения поддержки принятия решений касательно уровня ключевой ставки для обеспечения таргетирования инфляции и обеспечения устойчивости российской банковской системы. Размер датасета модели составил 8 столбцов на 103 строки, в него вошли параметры, отражающие развитие банковской системы с января 2016 г. по июль 2024 г. Модель показала хорошие значения. Так, средняя абсолютная ошибка (Mean Absolute Error) составила 0,53571; среднеквадратическая ошибка (Mean Squared Error) — 1,28273 и квадрат среднеквадратической ошибки (Root Mean Squared Error) — 1,13258. Прогнозное значение ключевой ставки составило 19,07834779 %, что практически совпало с уровнем ставки, установленной Центробанком 13 сентября 2024 г. (19 %).

Литература:

1. Шаламов, Г. А., Рудзис, Т. Г. Влияние изменения ключевой ставки Банка России на уровень инфляции // Информатизация и виртуализация экономической и социальной жизни: Материалы VIII Международной студенческой научно-практической конференции. — Иркутск: ИРНИТУ, 2021. — С. 177–183

2. Солодовникова, М. П. Ключевая ставка Банка России как инструмент денежно-кредитного регулирования // Актуальные проблемы и перспективы развития аудита, бухгалтерского учета, экономического анализа и налогообложения: Материалы национальной (всероссийской) научно-практической и методической конференции. — Воронеж: Воронежский ГАУ им. Императора Петра I, 2019. — С. 367–370

3. Перин, А. О. Ключевая ставка. Действие или следствие? // Новые информационные технологии как основа эффективного инновационного развития: Сборник статей Международной научно-практической конференции. — Уфа: Омега Сайнс, 2020. — С. 102–105

4. Зябликова, А. О. Ключевая ставка // Матрица научного познания. — 2023. — № 7-1. — С. 78–80

5. Симбирёва, М. В. Ключевая ставка Банка России в условиях санкций // Инновационная наука. — 2024. — № 6-1. — С. 118–119

6. Геворкян, М. Г., Павлова, К. Н. Влияние ключевой ставки на темпы инфляции // Вопросы науки и образования. — 2018. — № 10 (22). — С. 103–105

7. Вакин, А. Н. Анализ зависимости ключевой ставки, денежной массы, инфляции, курса доллара и отраслевого индекса «Финансы и банки» // Аллея науки. — 2020. — Т. 1. — № 1 (40). — С. 803–808

8. Дружинин, Н. Л., Попова, М. И., Марьяненко, В. П. Повышенная ключевая ставка как фактор принятия инвестиционных и финансовых решений // Вестник Алтайской академии экономики и права. — 2024. — № 4-3. — С. 401–407

9. Удоратин, В. В. Особенности денежного рынка России и роль ключевой ставки процента в его регулировании // Экономика и социум. — 2019. — № 1-1 (56). — С. 959–962

10. Ягафаров, У. И., Запольских, Ю. А. Воздействие ключевой ставки на ипотечное кредитование // Поколение будущего: Взгляд молодых ученых — 2023: Сборник научных статей 12-й Международной молодежной научной конференции. В 4-х томах. — Курск: Университетская книга, 2023. — С. 343–346

11. Передера, Ж. С. Процентная ставка по кредиту как ключевой фактор кредитования физических лиц // Новая наука: от идеи к результату. — 2017. — № 1-1. — С. 125–128

12. Гамукин, В. В., Мирошниченко, О. С. Инструменты управления устойчивостью банковского сектора: ключевая ставка VS доходы населения // Банковское дело. — 2021. — № 2. — С. 10–17

13. Жавлиев, Н. Б. Денежно-кредитная политика в обеспечении финансовой стабильности государства // Вестник науки и образования. — 2021. — № 7-3 (110). — С. 47–49

14. Масайло, С. И. Инфляционное таргетирование как режим денежно-кредитной политики Банка России // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство: Сборник научных статей по итогам Пятой международной научной конференции. — М.: Конверт, 2019. — С. 238–242

15. Маджидова, С. Х. Экономическая и социальная сущность устойчивости банковской системы // Вестник Таджикского национального университета. Серия социально-экономических и общественных наук. — 2020. — № 3. — С. 168–175

16. Третьякова, С. Н. Перспективы реализации плана повышения капитализации российских банков // Экономика и предпринимательство. — 2015. — № 3 (56). — С. 470–473

17. Антонюк, О. А. Применение математической модели Гурвица для определения устойчивости банковской системы // Вектор науки ТГУ. — 2012. — № 2 (20). — С. 202–206

18. Григорьева, С. В. Развитие экономического анализа устойчивости предприятий: методология и практика: Дис. … д-ра экон. наук. — Казань: Казанский ГАУ, 2023. — 296 c. [Электронный ресурс]. URL: https://www.ruc.su/upload/medialibrary/b8a/22atn7om0wp4xdfiwagwby2ewvtabhgt.pdf (дата обращения: 28.08.2024)

19. Дернер, Д. Логика неудачи / Пер. с нем. — М.: Смысл, 1997. — 243 с.

20. Масюк, Н. Н., Кирьянов, А. Е., Бушуева, М. А., Шакуев, Д. А. Искусственный интеллект как драйвер цифровой экономики // Фундаментальные исследования. — 2021. — № 10. — С. 49–54

21. Ломакин, Н. И., Сазонов, С. П., Гаврилова, О. А., Оноприенко, Ю. Г., Сычева, А. В. Использование квантования Big Data и искусственного интеллекта в прогнозировании ключевой ставки ЦБ РФ // International Journal of Advanced Studies. — 2018. — Т. 8. — № 2-2. — С. 126–131

22. Баярсайхан, З. Развитие системы факторов, влияющих на монетарные процессы, и их моделирование искусственной нейронной сетью // Национальная безопасность. Nota Bene. — 2019. — № 4. — С. 11–18

23. Lomakin, N., Kulachinskaya, A., Naumova, S., Ibrahim, M., Fedorovskaya, E., Lomakin, I. Modelling profits forecasts for the russian banking sector using random forest and regression algorithm // Sustainable Development and Engineering Economics. — 2023. — № 3 (9). — С. 8–20

24. Chen, Z., Causmaecker, P., Dou, Y. Neural Networked Assisted Tree Search for the Personnel Rostering Problem October // Journal of Scheduling manuscript. — 2020. — arXiv:2010.14252 [Электронный ресурс]. URL: https://arxiv.org/pdf/2010.14252.pdf (дата обращения: 23.09.2024)

25. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. Classification and Regression Trees (1st ed.). — New York: Chapman and Hall/CRC, 1984. — 368 с. doi.org/10.1201/9781315139470

1. Shalamov, G. A., Rudzis, T. G. (2021). The Impact of Changes in the Key Rate of the Bank of Russia on the Inflation Rate. In: Informatization and Virtualization of Economic and Social Life. Proceedings of the VIII International Student Scientific and Practical Conference. — Irkutsk: IRNITU, pp. 177–183. (In Russian)

2. Solodovnikova, M. P. (2019). The Key Rate of the Bank of Russia as an Instrument of Monetary Regulation. In: Actual Problems and Prospects for the Development of Auditing, Accounting, Economic Analysis and Taxation. Proceedings of the National (All-Russian) Scientific, Practical and Methodological Conference. — Voronezh: Voronezh State Agrarian University named after. Emperor Peter I, pp. 367–370. (In Russian)

3. Perin, A. O. (2020). Key Rate. Action or Consequence? In: New Information Technologies as the Basis for Effective Innovative Development. Collection of Articles of the International Scientific and Practical Conference. — Ufa: Omega Science, pp. 102–105. (In Russian)

4. Zyablikova, A. O. (2023). Kliuchevaia stavka [Key Rate]. Matritsa nauchnogo poznaniia [Matrix of scientific knowledge]. No. 7-1, pp. 78–80. (In Russian)

5. Simbireva, M. V. (2024). Kliuchevaia stavka banka Rossii v usloviiakh sanktsii [Key rate of the Bank of Russia under sanctions]. Innovatsionnaia nauka [Innovative science]. No. 6-1, pp. 118–119. (In Russian)

6. Gevorkyan, M. G., Pavlova, K. N. (2018). Vliianie kliuchevoi stavki na tempy infliatsii [Influence of the key rate on the inflation rate]. Voprosy nauki i obrazovaniia [Issues of science and education]. No. 10 (22), pp. 103–105. (In Russian)

7. Vakin, A. N. (2020). Analiz zavisimosti kliuchevoi stavki, denezhnoi massy, infliatsii, kursa dollara i otraslevogo indeksa "Finansy i banki" [Analysis of the dependence of the key rate, money supply, inflation, dollar exchange rate and the industry index "Finance and banks"]. Alleia nauki [Alley of science]. Vol. 1, no. 1 (40), pp. 803–808. (In Russian)

8. Druzhinin, N. L., Popova, M. I., Maryanenko, V. P. (2024). Povyshennaia kliuchevaia stavka kak faktor priniatiia investitsionnykh i finansovykh reshenii [Increased key rate as a factor in making investment and financial decisions]. Vestnik Altaiskoi akademii ekonomiki i prava [Bulletin of the Altai Academy of Economics and Law]. No. 4-3, pp. 401–407. (In Russian)

9. Udoratin, V. V. (2019). Osobennosti denezhnogo rynka Rossii i rol’ kliuchevoi stavki protsenta v ego regulirovanii [Features of the Russian money market and the role of the key interest rate in its regulation]. Ekonomika i sotsium [Economy and Society]. No. 1-1 (56), pp. 959–962. (In Russian)

10. Yagafarov, U. I., Zapolskikh, Yu. A. (2023). Impact of the key rate on mortgage lending. In: Generation of the Future: The View of Young Scientists — 2023. Collection of scientific articles of the 12th International Youth Scientific Conference. In 4 volumes. — Kursk: University Book, pp. 343–346. (In Russian)

11. Peredera, J. S. (2017). Protsentnaia stavka po kreditu kak kliuchevoi faktor kreditovaniia fizicheskikh lits [Interest rate on a loan as a key factor in lending to individuals]. Novaia nauka: ot idei k rezul’tatu [New science: from idea to result]. No. 1-1, pp. 125–128. (In Russian)

12. Gamukin, V. V., Miroshnichenko, O. S. (2021). Instrumenty upravleniia ustoichivost’iu bankovskogo sektora: kliuchevaia stavka VS dokhody naseleniia [Instruments for managing the stability of the banking sector: key rate VS household income]. Bankovskoe delo [Banking]. No. 2, pp. 10–17. (In Russian)

13. Zhavliev, N. B. (2021). Denezhno-kreditnaia politika v obespechenii finansovoi stabil’nosti gosudarstva [Monetary policy in ensuring the financial stability of the state]. Vestnik nauki i obrazovaniia [Bulletin of Science and Education]. No. 7-3 (110), pp. 47–49. (In Russian)

14. Masailo, S. I. (2019). Inflation targeting as a monetary policy regime of the Bank of Russia. In: Advanced innovative developments. Prospects and experience of use, problems of implementation in production. Collection of scientific articles following the results of the Fifth International Scientific Conference. — Moscow: Konvert, pp. 238–242. (In Russian)

15. Majidova, S. Kh. (2020). Ekonomicheskaia i sotsial’naia sushchnost’ ustoichivosti bankovskoi sistemy [Economic and social essence of the stability of the banking system]. Vestnik Tadzhikskogo natsional’nogo universiteta. Seriia sotsial’no-ekonomicheskikh i obshchestvennykh nauk [Bulletin of the Tajik National University. Series of socio-economic and social sciences]. No. 3, pp. 168–175. (In Russian)

16. Tretyakova, S. N. (2015). Perspektivy realizatsii plana povysheniia kapitalizatsii rossiiskikh bankov [Prospects for the implementation of the plan to increase the capitalization of Russian banks]. Ekonomika i predprinimatel’stvo [Economy and entrepreneurship]. No. 3 (56), pp. 470–473. (In Russian)

17. Antonyuk, O. A. (2012). Primenenie matematicheskoi modeli Gurvitsa dlia opredeleniia ustoichivosti bankovskoi sistemy [Application of the Hurwitz mathematical model to determine the stability of the banking system]. Vektor nauki TGU [Vector of Science TSU]. No. 2 (20), pp. 202–206. (In Russian)

18. Grigorieva, S. V. (2023). Development of economic analysis of enterprise sustainability: methodology and practice. Diss. for the degree of Doctor of Economics. — Kazan: Kazan State Agricultural University, 296 p. — Available at: https://www.ruc.su/upload/medialibrary/b8a/22atn7om0wp4xdfiwagwby2ewvtabhgt.pdf (accessed: 28.08.2024). (In Russian)

19. Dörner, D. (1997). The Logic of Failure. — Moscow: Smysl, 243 p. (In Russian)

20. Masyuk, N. N., Kiryanov, A. E., Bushueva, M. A., Shakuev, D. A. (2021). Iskusstvennyi intellekt kak draiver tsifrovoi ekonomiki [Artificial Intelligence as a Driver of the Digital Economy]. Fundamental’nye issledovaniia [Basic research]. No. 10, pp. 49–54. (In Russian)

21. Lomakin, N. I., Sazonov, S. P., Gavrilova, O. A., Onoprienko, Yu. G., Sycheva, A. V. (2018). Ispol’zovanie kvantovaniia Big Data i iskusstvennogo intellekta v prognozirovanii kliuchevoi stavki TsB RF [Using Big Data quantization and artificial intelligence in forecasting the key rate of the Central Bank of the Russian Federation]. International Journal of Advanced Studies. Vol. 8, no. 2-2, pp. 126–131. (In Russian)

22. Bayarsaikhan, Z. (2019). Razvitie sistemy faktorov, vliiaiushchikh na monetarnye protsessy, i ikh modelirovanie iskusstvennoi neironnoi set’iu [Development of a system of factors influencing monetary processes and their modeling by an artificial neural network]. Natsional’naia bezopasnost’. Nota Bene [National Security. Nota Bene]. No. 4, pp. 11–18. (In Russian)

23. Lomakin, N., Kulachinskaya, A., Naumova, S., Ibrahim, M., Fedorovskaya, E., Lomakin, I. (2023). Modeling profits forecasts for the Russian banking sector using random forest and regression algorithm. Sustainable Development and Engineering Economics. No. 3 (9), pp. 8–20

24. Chen, Z., Causmaecker, P., Dou, Y. (2020). Neural Networked Assisted Tree Search for the Personnel Rostering Problem October. Journal of Scheduling manuscript. arXiv:2010.14252. — Available at: https://arxiv.org/pdf/2010.14252.pdf (accessed: 23.09.2024)

25. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. (1984). Classification and regression Trees (1st ed.). — New York: Chapman and Hall/CRC. — 368 p. doi.org/10.1201/9781315139470

Дата поступления рукописи в редакцию: 24.09.2024

Дата принятия рукописи в печать: 23.12.2024

В современных условиях одной из важнейших тенденций становится поиск новых подходов, позволяющих определить оптимальные уровни ключевой банковской ставки и инфляции.

Актуальность проведенного исследования в том, что в современных условиях широкомасштабно используются системы искусственного интеллекта, а также исследуются подходы, позволяющие восполнить пробел в теоретических вопросах, связанных с моделированием механизма изменения ключевой ставки для обеспечения финансовой устойчивости банковской системы.

Научная новизна заключается в том, что в проведенном исследовании выдвинута и доказана гипотеза, что с помощью системы искусственного интеллекта «DL-модель "Случайный лес"» может быть получен точный прогноз ключевой банковской ставки.

Практическая значимость — в том, что результаты могут быть использованы на практике для обеспечения поддержки принятия решений при прогнозировании уровня ключевой ставки для обеспечения таргетирования инфляции и обеспечения устойчивости российской банковской системы.

Этой проблеме посвящены труды большого количества ученых. Так, например, Шаламов Г. А., Рудзис Т. Г. рассмотрели влияние изменения ключевой ставки Банка России на уровень инфляции [1], по мнению Солодовниковой М. П., ключевая ставка банка выступает инструментом денежно-кредитного регулирования [2], Перин А. О. исследовал причинно-следственные аспекты динамики влияния ключевой ставки на показатели развития экономики [3], Зябликова А. О. исследовала сущность понятия ключевой ставки как элемента матрицы научного познания [4]. Свое мнение касательно ключевой ставки Банка России изложила Симбирёва М. В. [5].

Многие научные работы направлены на исследование механизма влияния ключевой ставки на изменение инфляции. В частности, Геворкян М. Г. и Павлова К. Н. изучали, как протекает влияние ключевой ставки на изменение инфляции [6], Вакин А. Н. анализировал зависимости между ключевой ставкой, денежной массой, инфляцией, курсом доллара и отраслевым индексом «Финансы и банки» [7].

Для Цитирования:
Николай Иванович Ломакин, Татьяна Ивановна Кузьмина, Максим Сергеевич Марамыгин, Татьяна Геннадьевна Агиевич, Елена Александровна Радионова, Алексей Анатольевич Положенцев, Цифровая модель глубокого обучения для прогноза ключевой ставки Центробанка РФ в условиях волатильности. Международная экономика. 2025;2.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными:
В избранное
Рекомендовать
Цитировать
Получить выпуск бесплатно!

Цитировать

Для Цитирования:

Получить бесплатно

Нажимая кнопку "Получить доступ" вы даёте своё согласие обработку своих персональных данных

Войти

Забыли пароль?
Сменить через SMS или по Email

Регистрация

Ошибка капчи

Введите код подтверждения

На указанный Вами номер телефона был отправлен код подтверждения.
Повторно запросить код можно будет через секунд.

Войдите в учетную запись

Активация промокода

Введите код подтверждения

На указанный Вами номер телефона был отправлен код подтверждения.
Повторно запросить код можно будет через секунд.

Введите код подтверждения

На указанный Вами номер телефона был отправлен код подтверждения.
Повторно запросить код можно будет через секунд.

Введите код подтверждения

На указанный Вами номер телефона был отправлен код подтверждения.
Повторно запросить код можно будет через секунд.

Войдите в учетную запись

Войдите в учетную запись

Заявка на подписку

Обратная связь

Использовать это устройство?

Одновременно использовать один аккаунт разрешено только с одного устройства.

Введите код подтверждения

На указанный Вами номер телефона был отправлен код подтверждения.
Повторно запросить код можно будет через секунд.

Выберите тип

Мы перевели вас на Русскую версию сайта
You have been redirected to the Russian version
Этот сайт использует cookies
Подробности