俄罗斯国家研究型高等经济大学官方网站近日发文表示，该大学的研究人员发现，机器学习技术在长期通货膨胀预测方面的表现优于传统计量经济模型。研究人员提出，有多种数据可以被用于预测通货膨胀，包括消费者价格指数、失业率、汇率以及央行设定的基准利率。为了考察哪种模型能够更准确地预测某一区域的通货膨胀情况，是传统的计量经济模型还是较新的机器学习技术，他们利用2010年1月至2022年12月间俄罗斯国内部分地区的数据进行了测试。

　　研究人员认为，要使用机器学习技术进行预测并确保准确性，为模型选择最佳超参数至关重要。在使用机器学习技术时，超参数是在开始学习过程之前设置的参数数据，而不是通过训练得到的参数数据。为了确保预测的稳定性和准确性，研究人员采用了使用相同规模的测试样本进行交叉验证的方法。这种方法允许使用一个时期的数据来训练模型，再使用另一个时期的数据进行测试。

　　研究结果显示，与其他被用于预测区域性通货膨胀的机器学习模型相比，梯度提升模型的预测结果是最准确的。而与传统的自回归模型相比，梯度提升模型可以在更长的时间范围内提供更准确的预测结果。在3、6、21和24个月的预测期内，梯度提升模型的预测结果均优于自回归模型。自回归模型是进行统计时可以采用的一种处理时间序列的方法，它假设一个序列的当前值取决于其先前的值加上随机误差。在21个月和24个月的长期预测上，随机森林模型和支持向量机也表现良好。

　　在研究人员看来，他们的研究成果表明，利用机器学习技术可以有效预测不同时间范围内的通货膨胀情况，而且与传统计量经济模型相比，机器学习为长期预测提供了更可靠的工具。不过，传统计量经济模型在短期预测中仍然发挥着关键性作用，不应被完全排除出分析师的工具包。将传统计量经济模型与机器学习技术相结合，可以显著提高区域通货膨胀预测准确性。在经济状况高度不确定和快速变化的环境中，这一点尤为重要。

　　研究人员还提示，不同地区的通货膨胀预测可能具有各自不同的具体特点，每个地区都有与其经济结构、自然资源和地理位置有关的特征，这些因素会导致通货膨胀动态和关键宏观经济指标发生变化。（姚晓丹/编译）