Моделирование показателей денежно-кредитной системы РФ при разнонаправленных сценариях динамики нефтяного рынка
https://doi.org/10.21686/2500-3925-2018-2-12-19
Аннотация
Цель работы – построение математических моделей, описывающих взаимосвязи между рыночными индикаторами, имеющими ключевое значение для экономики России, и макроэкономическими показателями денежно-кредитной системы.
Материалы и методы. Для решения задачи моделирования в работе были использованы методы описания математических моделей, изначально применяющиеся в теории автоматического управления к механическим системам: линейные дискретные передаточные функции, модели пространства состояний и нелинейные модели Гаммерштейна-Винера. В качестве инструментария исследования, для идентификации моделей использовался функционал System Identification Toolbox программного пакета Matlab, который обычно используется для анализа технических систем. По известным входному и выходному сигналам производился подбор математической модели. Для оценки точности выбора модели рассчитывалось нормальное среднеквадратичное отклонение для промоделированного и заданного выходного сигнала. В качестве исходных данных использовались временные ряды макроэкономических и рыночных показателей в период с 2008 по 2018 гг.
Результаты. В работе были разработаны две модели прогнозирования. Модель-1 описывает последовательный переход от цен на нефть и курса доллара США к оценке валового внутреннего продукта, денежного агрегата М2 и кредитной задолженности. Зависимости между экономическими параметрами математически описываются линейными дискретными передаточными функциями. Модель-2 отличается последовательностью двух последних переходов: от валового внутреннего продукта к кредитам, а затем к денежному агрегату М2. Кроме того, два последних перехода математически описываются нелинейными моделями Гаммерштейна-Винера. Результатом моделирования являются прогнозы по направлению трендов и значениям макроэкономических показателей денежно-кредитной системы на временном горизонте в 3, 7 и 12 лет при двух разнонаправленных сценариях динамики нефтяного рынка.
Заключение. Несмотря на близкие значения при оценке точности каждой из построенных моделей, в прогнозе они дают схожие результаты по соответствию сценариев, но разные темпы роста. Изменения цен на нефть однозначно сказываются на макроэкономических показателях денежно-кредитной системы, что свидетельствует о способности разработанных моделей давать корректные прогнозы по направлениям трендов кредитной активности и денежной массы. В дальнейших исследованиях предполагается возможность перехода от макроэкономических показателей к более частным составляющим на мезо- и микроуровнях.
Об авторе
А. А. ПехтеревРоссия
М.н.с., НЛ «Исследования денежно-кредитной системы и анализа финансовых рынков» Российский экономический университет им. Г.В. Плеханова, Москва, Россия
Список литературы
1. Петров А.А., Поспелов И.Г., Шананин А.А. Опыт математического моделирования экономики. М.: Энергоатомиздат, 1996. 544 с. ISBN 5-283-03169-1.
2. Краснощёков П.С., Петров А. А. Принципы построения моделей. 2-е изд., пересм. и доп. М.: Фазис, 2000. 412 с. ISBN 5-7036-0061-8.
3. Красс И. А. Математические модели экономической динамики. М.: Советское радио, 1976. 280 с.
4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 471 с.
5. Романовский М.Ю., Романовский Ю.М. Введение в эконофизику. Статистические и динамические модели. М., 2007. ISBN 978-5-93972-637-5
6. Кугаенко А.А. Экономическая кибернетика. М.: Вузовская книга, 2015. 880 с.
7. Кугаенко А.А. Методы динамического моделирования в управлении экономикой. М.: Вузовская книга, 2005. 456 с.
8. Бесекерский В.А., Попов Е.П. Теория систем автоматического регулирования. 2-е изд. М.: Наука, 1972. 768 с.
9. Иванов В.А., Ющенко А.С. Теория дискретных систем автоматического управления. М.: МГТУ им. Н. Э. Баумана, 2015. 352 с.
10. Дорф Р., Бишоп Р. Современные системы управления. Пер. с англ. Б. И. Копылова. М.: Лаборатория базовых знаний, 2002. 832 с.
11. Волков Е.А. Глава 1. Приближение функций многочленами. § 11. Сплайны // Численные методы. Учеб. пособие для вузов. 2-е изд., испр. М.: Наука, 1987. С. 63–68.
12. Diaconescu E. The use of NARX neural networks to predict chaotic time series. Wseas Transactions on computer research, 2008. 3(3). P. 182–191.
13. Болквадзе Г. Р. Модель Гаммерштейна-Винера в задачах идентификации стохастических систем, Автомат. и телемех. 2003. № 9. P. 60–76. Autom. Remote Control. 64:9. 20031418–1431.
14. Billings S.A. Identification of Nonlinear Systems: A Survey. IEE Proceedings Part D. 1980. 127(6). P. 272–285
15. Haber R., Keviczky L. Nonlinear System Identification-Input Output Modeling Approach. Kluwer, 1980. Vols I & II.
16. Yu F., Mao Zh., Jia M., Yuan P., Recursive Parameter Identification of Hammerstein- Wiener Systems With Measurement Noise // Signal Process. 2014. 105. P. 137–147.
17. Домащенко Д.В. Имитационное моделирование уровня сбалансированной задолженности клиентов банковской системы России // Вестник РЭУ им. Г.В. Плеханова. 2016. № 1. С. 27–34.
18. Домащенко Д.В. Взаимосвязь экономического роста и уровня монетизации экономики в странах нефтегазового экспорта: выводы для России // Экономические и социальные перемены: факты, тенденции, прогноз. 2016. № 1. C. 96–107.
19. Вятченников Д.Н., Кособуцкий В.В., Носенко А.А., Плотникова Н.В. Идентификация нелинейных динамических объектов во временной области // Вестник ЮУрГУ. 2006. № 14. С. 66–70.
20. G.L. Plett Adaptive inverse control of linear and nonlinear systems using dynamic neural networks in IEEE Transactions on Neural Networks. Vol. 14. No. 2. P. 360–376, Mar 2003. doi: 10.1109/TNN.2003.809412.
Рецензия
Для цитирования:
Пехтерев А.А. Моделирование показателей денежно-кредитной системы РФ при разнонаправленных сценариях динамики нефтяного рынка. Статистика и Экономика. 2018;15(2):12-19. https://doi.org/10.21686/2500-3925-2018-2-12-19
For citation:
Pekhterev A.A. Modeling of monetary and credit system indicators of the Russian Federation in multidirectional scenarios of oil market dynamics. Statistics and Economics. 2018;15(2):12-19. (In Russ.) https://doi.org/10.21686/2500-3925-2018-2-12-19