FORECASTING ECONOMIC CYCLES USING MACHINE LEARNING

Abstract

Целью данной статьи является рассмотрение способов использования методов машинного обучения в прогнозировании экономических циклов. Методологическую основу исследования составляет применение различных регрессионных методов, в частности, линейной и полиномиальной регрессии в тандеме с методом линейно-клеточного автомата. Авторами изучены различные точки зрения на определение понятия «машинное обучение», определена степень использования искусственного интеллекта в различных сферах жизни общества, рассмотрены основные типы задач, для решения которых при помощи методов машинного обучения обеспечивается максимальная эффективность и производительность. В процессе исследования авторами раскрыты преимущества и недостатки использования методов машинного обучения. На основании анализа макроэкономических показателей, предоставленных Федеральной службой государственной статистики, продемонстрированы возможности применения методов машинного обучения для предсказания будущих состояний в экономике. Авторами описаны ключевые экономико-математические методы, выведена точность их применения для прогнозирования экономических циклов. Предложенные подходы позволяют улучшить существующие методики прогнозирования, а также позволяют отдельным успешно адаптироваться к изменяющимся экономическим условиям. Направлением дальнейших исследований является объединение различных методов машинного обучения, таких как полиномиальная регрессия и линейно-клеточные автоматы для повышения точности и надежности прогнозирования. This article examines the main ways to study and predict economic cycles using machine learning methods, and also assesses the degree of their application. The methodological basis of the study is the use of various regression methods, in particular, linear and polynomial regression in tandem with the linear cellular automaton method. The authors studied various points of view on the definition of the concept of "machine learning", determined the degree of use of artificial intelligence in various spheres of society, considered the main types of tasks for which maximum efficiency and productivity are provided using machine learning methods. In the course of the research, the authors revealed the advantages and disadvantages of using machine learning methods. Based on the analysis of macroeconomic indicators provided by the Federal State Statistics Service, the possibilities of using machine learning methods to predict future economic conditions are demonstrated. The authors describe the key economic and mathematical methods, and derive the accuracy of their application for forecasting economic cycles. The proposed approaches make it possible to improve existing forecasting techniques, and also allow individuals to successfully adapt to changing economic conditions. The direction of further research is to combine various machine learning methods such as polynomial regression and linear cellular automata to improve the accuracy and reliability of forecasting.