The subject of this research is the processes of forecasting the consumer price index in the regions of the Far Eastern Federal District using machine learning technologies. The article aims to assess the accuracy of forecasts of the consumer price index using ensemble machine learning algorithms and to identify regional and time limitations of their applicability. To achieve this goal, the methodology of the work includes comparison of the results of first-order autoregression with random Forest and gradient boosting algorithms (XGBoost), as well as their hybrid modifications over a forecast horizon from 1 to 12 months. The results obtained confirm the superiority of machine learning methods over classical approaches in 84% of control points. It has been established that hybrid algorithms that take into account the dynamics of the key rate of the Bank of Russia significantly increase the accuracy of the forecast in most regions. At the same time, the complete inconsistency of these models in the specific conditions of the Magadan region has been revealed. The results of the study allow to conclude that the effectiveness of a particular machine learning algorithm directly depends on the structure of the local economy and the nature of the monetary transmission. Ignoring regional specifics when choosing a model leads to low forecast accuracy, which requires the researcher to carefully select parameters and adapt the feature space to the individual characteristics of each region.
Предметом данного исследования являются процессы прогнозирования индекса потребительских цен в субъектах Дальневосточного федерального округа с применением технологий машинного обучения, при этом основной целью работы выступает оценка точности прогнозов индекса потребительских цен с использованием ансамблевых алгоритмов машинного обучения, выявление региональных и временных ограничений их применимости. Для достижения поставленной цели в методологии работы было выполнено сопоставление результатов авторегрессии первого порядка с алгоритмами случайного леса (Random Forest) и градиентного бустинга (XGBoost), а также их гибридными модификациями на горизонте прогнозирования от 1 до 12 месяцев. Полученные результаты подтверждают превосходство методов машинного обучения над классическими подходами в 84% контрольных точек. Установлено, что гибридные алгоритмы, учитывающие динамику ключевой ставки Банка России, значительно повышают точность прогноза в большинстве регионов. В то же время выявлена полная несостоятельность данных моделей в специфических условиях Магаданской области. Так же результаты исследования позволяют сделать вывод, что эффективность конкретного алгоритма машинного обучения напрямую зависит от структуры локальной экономики и характера монетарной трансмиссии. Игнорирование региональной специфики при выборе модели ведёт к низкой точности прогнозов, что требует от исследователя тщательного подбора параметров и адаптации признакового пространства под индивидуальные особенности каждого субъекта