ПОРІВНЯЛЬНИЙ АНАЛІЗ МОДЕЛЕЙ ARIMA ТА LSTM У ПРОГНОЗУВАННІ ІНДЕКСУ СПОЖИВЧИХ ЦІН В УМОВАХ ВИСОКОЇ ІНФЛЯЦІЙНОЇ ВОЛАТИЛЬНОСТІ

Анотація

У статті розглянуто проблему підвищення якості прогнозних моделей макроекономічних показників України в умовах зростаючої ринкової волатильності та впливу екзогенних факторів. Індекс споживчих цін (ІСЦ) є ключовим індикатором макроекономічної стабільності та орієнтиром для формування монетарної політики. Проте динаміка інфляційних процесів у сучасних умовах характеризується високим рівнем нелінійності та нестаціонарністю, що суттєво обмежує ефективність класичних статистичних методів. Необхідність впровадження адаптивних інструментів аналізу, здатних ідентифікувати складні довготривалі залежності в часових рядах, визначає доцільність даного дослідження. Науковий пошук базується на інтеграції теорії нейронних мереж та принципів ідентифікації динамічних систем. Основною архітектурою моделі обрано рекурентну нейронну мережу LSTM, що розроблена для моделювання процесів із тривалими часовими лагами. Математичний апарат спирається на систему рекурентних співвідношень, що описують процеси селективного оновлення інформації про стан системи, що дозволяє нівелювати проблему затухання градієнта при тривалих інтервалах прогнозування. Процедура визначення параметрів моделі реалізована через ітераційні алгоритми мінімізації цільової функції втрат. Проведені обчислювальні експерименти на основі статистичних даних ІСЦ України дозволили встановити переваги методів глибокого навчання над лінійними підходами. У роботі удосконалено методичний підхід до прогнозування динаміки інфляційних процесів шляхом поєднання ітераційних процедур ідентифікації систем із рекурентними архітектурами нейронних мереж. Обґрунтовано ефективність застосування нелінійних методів глибокого навчання для моделювання волатильних макроекономічних показників, що дозволяє враховувати інерційність економічних процесів без втрати точності на довгих горизонтах прогнозування. Водночас застосування класичного методу ARIMA залишається доцільним для малих вибірок та прогнозування стаціонарних процесів із низькою волатильністю.