COMPARATIVE ANALYSIS OF TREND METHODS OF FORECASTING ECONOMIC INDICATORS ON THE EXAMPLE OF THE UKRAINIAN ECONOMY
Abstract
This study contains a comprehensive analysis of methods for forecasting macroeconomic indicators using the example of Ukraine's gross domestic product and exchange rate. The study focuses on evaluating the effectiveness of traditional econometric approaches, in particular linear regression, polynomial regression, and exponential smoothing, in order to determine the most accurate forecasting method. All calculations and modelling were implemented in Python using the pandas, numpy, scikit-learn, statsmodels, and matplotlib libraries, which ensured the accuracy and reproducibility of the results. The analysis began with the construction of a correlation matrix, which allowed us to identify key relationships between macroeconomic variables. The further application of trend models made it possible to assess the general patterns of changes in the dynamics of gross domestic product and exchange rates. The study showed that linear regression has the lowest forecasting accuracy due to the inability to take into account non-linear changes, as evidenced by the low coefficient of determination and high errors. Second-degree polynomial regression proved to be the most effective for forecasting gross domestic product, demonstrating high accuracy and low average absolute error (210.9 billion UAH). Exponential smoothing yielded moderate results, close to the polynomial model, although its errors were slightly higher. The predicted values of gross domestic product and exchange rate for 2025-2030 show discrepancies between the methods. The linear model predicts a gradual increase in gross domestic product to 6.98 trillion UAH in 2030, while the polynomial model predicts faster growth to 11.3 trillion UAH. Exponential smoothing shows a more balanced forecast of 10.9 trillion UAH. The dollar exchange rate forecast also varies: the linear model indicates growth to 42.53 UAH, the polynomial model to 64.36 UAH, and exponential smoothing forecasts 57.43 UAH in 2030. The practical significance of the study lies in the possibility of using the results obtained for strategic planning, macroeconomic analysis and economic risk assessment.
References
Васильєва Л. В., Кльованик О.А. Регресійні моделі та аналіз часових рядів : навчальний посібник для студентів вищих навчальних закладів. Краматорськ : ДДМА, 2010. 176 с.
How is Machine Learning Useful for Macroeconomic Forecasting? Coulombe P. et al. Papers 2008.12477. arXiv.org. 2020. 85 p. DOI: https://doi.org/10.48550/arXiv.2008.12477
Бикова А. Л., Галєєв О. С. Теоретичні аспекти макроекономічного прогнозування: вітчизняний досвід. Економіка та суспільство. 2024. № 62. . DOI: https://doi.org/10.32782/2524-0072/2024-62-58
Тарасенко А. В., Тарасенко О. О. Удосконалення процесів макро-економічного прогнозування в умовах нестабільності фондового ринку. Проблеми і перспективи економіки та управління. 2024. № 1 (37). C. 329-338. DOI: https://doi.org/10.25140/2411-5215-2024-1(37)-329-338
Шумська С. С. Макроекономічне прогнозування : навчальний посібник : у двох частинах (частина 1). Київ : Видавничий дім «Києво-Могилянська академія». 2015. 176 с.
Добуляк Л. П., Костенко С. Б. Використання трендових моделей для дослідження тенденцій розвитку малого підприємництва в Україні. Науковий вісник Ужгородського національного університету. Серія: Міжнародні економічні відносини та світове господарство. 2019. Вип. 24. №1. С. 147-152. URL: http://nbuv.gov.ua/UJRN/Nvuumevcg_2019_24%281%29__29 (дата звернення: 26.01.2025).
Радзіховська Л. М., Гусак Л. П., Панчук Ю. С. Побудова багатофакторної регресійної моделі засобами програмногозабезпечення Eviews. Науковий журнал "Комп’ютерно-інтегровані технології: освіта, наука, виробництво". 2021. Вип. 44. С. 54-59.
Мірошниченко І. В., Крупін В. К. Прогнозування банкрутства підприємства за допомогою алгоритмів машинного навчання. Економічна наука: інвестиції та практика. 2022. №4. С. 86-92. DOI: https://doi.org/10.32702/2306-6814.2022.4.86
Кикина Є.Б. Міжнародна соціально-економічна політика та прогнозування в умовах глобальних криз. Публічне управління і політика. 2024. №3-4. С. 34-43. DOI: https://doi.org/10.70651/3041-2498/2024.3-4.04
Деркач Ю.Б., Кречетова М.Г. Макроекономічні чинники формування валютного курсу в Україні. Економіка та суспільство. 2018. Вип. 18. С. 720-726.
Мінфін. (n.d.). Офіційний веб-сайт. URL: https://minfin.com.ua/ (дата звернення: 14.01.2025).
Закаблук Г. О. Прогнозування доходів та витрат машинобудівного підприємства на основі методу Хольта - Уінтерса. Економіка та держава. 2018. № 6. С. 51–55.
Vasylieva L.V., Kliovanyk O.A. (2010) Rehresiini modeli ta analiz chasovykh riadiv [Regression Models and Time Series Analysis]. Kramatorsk: DDMA, 176 p. (in Ukrainian)
Coulombe P. et al. (2020) How is Machine Learning Useful for Macroeconomic Forecasting? Papers 2008.12477, arXiv.org, p. 85. DOI: https://doi.org/10.48550/arXiv.2008.12477
Bykova A.L., Haleiev O.S. (2024) Teoretychni aspekty makroekonomichnoho prohnozuvannia: vitchyznianyi dosvid [Theoretical Aspects of Macroeconomic Forecasting: Domestic Experience]. Ekonomika ta suspilstvo, vol. 62, pp. 1-8. DOI: https://doi.org/10.32782/2524-0072/2024-62-58 (in Ukrainian)
Tarasenko A.V., Tarasenko O.O. (2024) Udoskonalennia protsesiv makroekonomichnoho prohnozuvannia v umovakh nestabilnosti fondovoho rynku [Improving Macroeconomic Forecasting Processes in the Conditions of Stock Market Instability]. Problemy i perspektyvy ekonomiky ta upravlinnia, vol. 1(37), pp. 329-338. DOI: https://doi.org/10.25140/2411-5215-2024-1(37)-329-338 (in Ukrainian)
Shumska S.S. (2015) Makroekonomichne prohnozuvannia : navchalnyi posibnyk : u dvokh chastynakh (chastyna 1) [Macroeconomic forecasting: a textbook: in two parts (part 1)]. Kyiv: Vydavnychyi dim «Kyievo-Mohylianska akademiia», vol. 1, 176 p. (in Ukrainian)
Dobuliak L.P., Kostenko S.B. (2019) Vykorystannia trendovykh modelei dlia doslidzhennia tendentsii rozvytku maloho pidpryiemnytstva v Ukraini [The Use of Trend Models for Studying the Development Trends of Small Business in Ukraine]. Naukovyi visnyk Uzhhorodskoho natsionalnoho universytetu. Seriia: Mizhnarodni ekonomichni vidnosyny ta svitove hospodarstvo, vol. 24(1), pp. 147–152. Available at: http://nbuv.gov.ua/UJRN/Nvuumevcg_2019_24(1)__29 (accessed January 26, 2025)
Radzikhovska L.M., Husak L.P., Panchuk Yu.S. (2021) Pobudova bahatofaktornoi rehresiinoi modeli zasobamy prohramnoho zabezpechennia Eviews [Building a Multifactor Regression Model Using Eviews Software]. Kompiuterno-intehrovani tekhnolohii: osvita, nauka, vyrobnytstvo, vol. 44., pp. 54-59.
Miroshnychenko I.V., Krupin V.K. (2022) Prohnozuvannia bankrutstva pidpryiemstva za dopomohoiu alhorytmiv mashynnoho navchannia [Forecasting Corporate Bankruptcy Using Machine Learning Algorithms]. Ekonomichna nauka: investytsii ta praktyka, vol. 4, pp. 86–92. DOI: https://doi.org/10.32702/2306-6814.2022.4.86
Kikina Ye.B. (2024) Mizhnarodna sotsialno-ekonomichna polityka ta prohnozuvannia v umovakh hlobalnykh kryz [International Socio-Economic Policy and Forecasting in Global Crisis Conditions]. Publichne upravlinnia i polityka, vol. 3-4, pp. 34–43. DOI: https://doi.org/10.70651/3041-2498/2024.3-4.04
Derkach Yu.B., Krechetova M.G. (2018) Makroekonomichni chynnyky formuvannia valiutnoho kursu v Ukraini [Macroeconomic Factors of Exchange Rate Formation in Ukraine]. Ekonomika ta suspilstvo, vol. 18, pp. 720–726.
Minfin. (n.d.). Financial statistics of Ukraine. Available at: https://minfin.com.ua/ (accessed January 14, 2025)
Zakabluk H.O. (2018) Prohnozuvannia dokhodiv ta vytrat mashynobudivnoho pidpryiemstva na osnovi metodu Kholta – Uintersa [Forecasting Revenues and Expenses of a Machine-Building Enterprise Based on the Holt-Winters Method]. Ekonomika ta derzhava, vol. 6, pp. 51–55.
