Preview

Статистика и Экономика

Расширенный поиск

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. Пехтерев
Российский Экономический Университет имени Г.В. Плеханова
Россия

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

Просмотров: 650


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-3925 (Print)