Новые тренды в аналитике и моделировании движения международного капитала

Введение

Неординарные внешние условия и глубокие структурные изменения в российский экономике [1] вызывают необходимость в формировании новых походов к аналитике и модельному прогнозированию экономических параметров. Прямые иностранные инвестиции (ПИИ) являются значимым фактором экономического роста России [2], который также попал под влияние санкционного давления [3].

Актуальность. Формирование стратегии развития сектора прямых инвестиций требует глубинного понимания корреляций исторических и новых драйверов с целевым показателем (объемом ПИИ). Ухудшение объясняющей способности традиционных моделей диктует необходимость формирования нового модельного подхода для объяснения факторов, влияющих на международные прямые инвестиции в российскую экономику.

Цель исследования. Целью исследования является формирование подхода интеллектуальной аналитики и прогнозирования ПИИ.

Научная новизна. Научная новизна заключается в формировании новых принципов и подходов к моделированию движения международного инвестиционного капитала с применением инструментария интеллектуальной аналитики.

Авторами проведено исследование особенностей движения инвестиционных ресурсов на международных рынках и выделены ключевые аналитические тренды. В актуальной научной литературе имеются исследования качественных факторов, влияющих на поток инвестиций в Россию [4], а также сравнение опытом зарубежных государств [5]. Имеются также количественные исследования инвестиций в основной капитал с применением базового регрессионного анализа [6] и более сложных моделей [7]. Для увеличения охвата факторов некоторые исследователи применяют сводные индексы, такие как «индекс экономической свободы» и «индекс слабости государства» [8]. Одним из недавних трендов в анализе международных перетоков капитала является использование гравитационных моделей [9].

Некоторые авторы отмечают применимость теории экономических колебаний (циклов) для прогнозирования экономического развития [10] и прямых иностранных инвестиций в частности [11] [12].

Одной из отличительных особенностей современного платежного баланса России является его непостоянная структура и достаточно резкие изменения его отдельных компонент, включая ПИИ. Более того, в 2022 г. с резким изменением геополитического фона произошел резкий скачок нестандартных операций с финансовыми активами, которые учитываются в статье «прочих инвестиций»:

Рисунок 1. Структура платежного баланса России

Источник: составлено авторами на основе данных ЦБ РФ [13]

В изученной литературе приводятся результаты исследования выбранных групп факторов на общую динамику ПИИ в Россию. Авторы отмечают ограничения такого подхода, так как общее число факторов, влияющих на движение международного капитала значительно больше. Современные условия неопределенности диктуют основные аналитические тренды – широкий охват регрессоров и применение более совершенных методов обработки данных, что стало возможным благодаря развитию цифровых технологий и методов анализа больших данных. Таким образом, авторами ставится задача формирования схемы широкой комплексной интеграционной модели движения международного капитала и описание подходящих под поставленные задачи экономических и математических аналитических инструментов.

На основе проведенного анализа литературы и первичных данных авторами составлена сводная таблица различных групп экономических параметров, влияющих на объемы прямых иностранных инвестиций. Таким образом, были выделены ключевые структуры данных на международных рынках капиталов:

Источник: составлено авторами

Указанные выше факторы используются в качестве вводных данных для экономической модели. Для корректного выбора подхода необходимо опираться на выявленные ранее особенности движения инвестиционных ресурсов на международных рынках. Для этого авторами выделены особенности и сформированы принципы моделирования инвестиционных потоков на трансграничных рынках с применением искусственного интеллекта:

§ Ключевая метрика (объем ПИИ), а также многие факторы имеют достаточно низкую частотность расчета (в большинстве случаев не чаще, чем раз в квартал)

§ Наличие сезонности/ цикличности в данных предполагает, что модель должна иметь механизмы для учета периодических колебаний

Принимая во внимание перечисленные особенности структур данных на международных рынках капитала и доступных экономических параметров, авторы сформировали принципы моделирования международных инвестиционных потоков на трансграничных рынках. Во-первых, рекомендуется применение интеллектуального подхода к обработке данных с использованием методов нейронных сетей, которые почти не накладывают ограничения к формату входных данных и не требовательны к коррелированности входных параметров. Данный подход также позволяет контролировать сезонность переменных. Во-вторых, низкая частотность данных (и, соответственно, малый размер выборки) накладывает ограничения на классы применимых математических моделей и требует наличия инструментов для контроля над переобучением [14]. Также авторы считают, что давность исследуемых данных не должна превышать 15-20 лет, так как на более длинных горизонтах могут значительно изменяться казуальные связи между исследуемыми факторами.

На основе проведенного анализа авторами предлагается архитектура интеграционной модели движения прямых иностранных инвестиций на основе мета-классификатора [15]:

Рисунок 2. Архитектура модели на основе мета-классификатора

Источник: разработано авторами

Перечисленные в таблице 1 данные подготавливаются и подаются на вход в виде единого одномерного массива: . При этом модель может принимать лаговое значения одной и той же переменной для увеличения количества факторов. В качестве моделей для второго этапа предлагается использовать нейросети архитектуры FFN [16], в которых каждый нейрон соединен с всеми нейронами следующего слоя. Количество скрытых слоев в каждой нейронной сети равно 1,5 * k, где k – количество регрессоров (включая лаговые переменные).

На втором этапе происходит независимое обучение нескольких нейронных сетей. Для увеличения вариативности возможно изменение таких параметров как: количество скрытых слоев и раундов обучения. Также возможно исключение отдельных переменных из моделей случайным образом.

На третьем этапе обученные нейросетевые модели могут делать индивидуальные прогнозы. Метаклассификатор обучается на выходных прогнозах индивидуальных сетей и обучающей выборке, что позволяет комбинировать (ансамблировать) несколько прогнозов в один, учитывая при этом особенности каждой отдельной модели. Подобный двухуровневый подход является одним из вариантов реализации композиционного метода машинного обучения [17]. В качестве модели для метаклассификатора используется аналогичная архитектура FFN нейронных сетей. Единственная разница заключается в том, что на вход мета-классификатор получает прогнозы индивидуальных моделей.

Впоследствии обученные индивидуальные нейросетевые модели и классификатор на основе вновь поступивших экономических данных могут сделать финальный прогноз.

Подобный подход к моделированию экономических параметров имеет ряд преимуществ перед традиционными подходами к моделированию:

§ Отсутствие необходимости детерминирования функциональных связей между факторами и целевой переменной, что исключает фактор предвзятости исследователя

§ Возможность включения большего числа факторов без увеличения временных затрат на перестройку архитектуры модели

§ Опция быстрой калибровки модели при изменении экономических условий: ребалансировка мета-классификатора может производиться без задействования значительных вычислительных ресурсов, однако позволяет подстроить модель под вновь появившиеся данные

Таким образом, авторами была разработана архитектура интеграционной модели с выделением дискретных функциональных блоков для оценки экономических метрик, которые обеспечат решение задач сегментации трансграничных инвестиций с использованием инструментов А1-аналитики инвестиционных данных, структуризацию данных в пространстве международных инвестиционных сделок, доработку индикаторов для выборов типа искусственного интеллекта в трансграничных экономических моделях.

Заключение

Разработанная схема моделирования международных прямых инвестиций в Российскую экономику может быть положена в основу расчетной математической модели, которая позволит определить количественные связи между факторами. Сформированный подход дает возможность повысить качество прогнозирования за счет увеличения широты анализа (больший обхват факторов) и глубины (больше связей между факторами).

Аналогичный подход к экономическому анализу может использоваться не только для моделирования ПИИ, но и портфельных инвестиций в российскую экономику.