Искусственный интеллект в макроэкономике: от экспериментов ЦБ до гибридных моделей

Три революции ИИ в макроэкономическом анализе

Ведущие мировые экономисты и регуляторы сходятся во мнении: искусственный интеллект кардинально трансформирует методы макроэкономического анализа и прогнозирования. Согласно аналитике Bloomberg Economics, эта трансформация происходит по трем основным направлениям:

1. Расширение границ данных — извлечение ценной информации из неструктурированных источников (новости, соцмедиа, отчеты).
2. Ускорение исследовательского процесса — автоматизация рутинных задач высвобождает время для интерпретации результатов.
3. Улучшение эконометрических моделей — методы машинного обучения улавливают сложные нелинейные зависимости.

Особый интерес вызывают исследования Константина Стырина (PhD Harvard, Банк России) о сравнительной эффективности эконометрических методов. Его исследования показывают, что сложные методы динамического усреднения моделей не всегда дают более точные результаты, чем простые подходы, — важное напоминание для тех, кто склонен абсолютизировать сложность.

Прогнозирование с помощью ML: точность выше на 40%

Традиционные эконометрические модели — VAR, DSGE — часто с трудом справляются с анализом больших массивов данных и выявлением нелинейных связей, особенно в периоды высокой неопределенности. На помощь приходят методы машинного обучения.

Кейс Резервного банка Австралии (2025) стал хрестоматийным примером. Экономисты добавили в стандартную кривую Филлипса 22 текстовые переменные, извлеченные из отчетов деловых связей банка. Модель Lasso с текстовыми признаками улучшила прогноз роста заработной платы почти на 40% по сравнению с базовой моделью.

Как отметили в кулуарах конференции, аналогичные эксперименты ведутся и в российских банках. Данные корпоративных отчетов, аналитических записок, протоколов совещаний — огромный пласт информации, который ранее оставался за рамками количественного анализа. Сегодня NLP-инструменты позволяют превратить этот массив в структурированные предикторы.

Осторожно: LLM в реальном времени пока ошибаются

Однако применение больших языковых моделей требует осторожности. Исследование Федерального резервного банка Сан-Франциско ChatMacro (2026) предупреждает: прогнозы инфляции, полученные от ChatGPT в реальном времени, могут быть неточными и устаревшими, несмотря на хорошие результаты в ретроспективных тестах. Проблема в том, что LLM не способны улавливать структурные сдвиги в моменте.

Как отмечает Дмитрий Назаров (УрГЭУ) в недавней публикации, внедрение LLM в экономический анализ требует новой методологии оценивания качества: валидности, воспроизводимости, стабильности под сдвигами данных, а также встроенных мер безопасности — контент-фильтров, аудита подсказок и принципа «человека-в-контуре».

Анализ настроений: от новостей до соцмедиа

Пожалуй, самая быстрорастущая область применения ИИ — анализ неструктурированных данных для оценки экономических настроений.

Центральные банки активно внедряют эти технологии. Европейский использует систему Cassandra, которая анализирует тональность финансовых новостей и с помощью градиентного бустинга выявляет ранние признаки стресса в банковском секторе. Исследователи Банка международных расчетов комбинируют рекуррентные нейросети с LLM для прогноза валютных кризисов за два месяца.

Гибридные модели: синтез как стратегия

Ключевой вывод, к которому пришли участники дискуссии в Иннополисе: будущее не за «чистым» ИИ, а за гибридными подходами, сочетающими прогностическую мощь машинного обучения с интерпретируемостью структурных моделей.

Главное преимущество структурных моделей (SVAR, DSGE) — их интерпретируемость. Они позволяют понять причинно-следственные связи, получить импульсные реакции и оценить последствия шоков. Модели же ИИ часто работают как «черный ящик».

Исследование, сравнивающее TVP-SVAR с методами ML на данных энергетических рынков, показало: улучшенная эконометрическая модель и лучшие алгоритмы ML достигают статистически одинаковой прогнозной точности. Однако только структурный подход позволил получить интерпретируемые результаты, необходимые для понимания механизмов передачи шоков.

Эксперимент Банка Японии

Особый интерес вызвал эксперимент Банка Японии (2025), где LLM использовали для создания агент-ориентированных моделей (ABM). В симуляции LLM выступали в роли потребителей и фирм. Их поведение в ответ на изменение цен и зарплат соответствовало классической кейнсианской теории — рост реальных зарплат вел к увеличению потребления. Это открывает путь к генерации «синтетических микроданных» для тестирования сценариев в условиях, когда реальных данных недостаточно.

«Важнее траектория, а не отдельное решение»:

После завершения официальной программы нам удалось задать зампреду Банка России Алексею Заботкину несколько вопросов, которые напрямую вытекают из обсуждавшихся на конференции тем.

— Исследование ФРБ Сан-Франциско показывает, что LLM в реальном времени ошибаются в прогнозах инфляции. Как в ЦБ решают проблему «черного ящика» ИИ и сохраняют интерпретируемость моделей?

— Мы прекрасно осознаём ограничения, которые несёт в себе использование больших языковых моделей. Для нас критически важна не просто скорость получения сигнала, а его объяснимость и надёжность. Поэтому ИИ в нашей работе никогда не выступает в роли самостоятельного «советчика», принимающего решения. Мы используем его как инструмент первичной обработки больших массивов данных. Например, при анализе рынка труда — там, где нам не хватает оперативности официальной статистики, — мы можем применять модели машинного обучения для обработки потоковых данных с сайтов вакансий. Но полученный результат — это лишь сырой сигнал, гипотеза. Дальше в дело вступают структурные модели и эксперты. Мы «вскрываем чёрный ящик»: проверяем, на каких признаках модель сделала вывод, не противоречит ли он экономической логике, не связана ли аномалия с сезонностью или техническим сбоем. Мы также используем ансамбли моделей, сравниваем результаты разных алгоритмов и сохраняем человеческий контроль. Интерпретируемость структурных моделей служит фильтром: она позволяет отсеять шум, который генерирует ИИ, и оставить только ту информацию, у которой есть чёткое экономическое обоснование. Человек, принимающий решение, всегда видит не просто цифру от нейросети, а цепочку логических построений, которые к этой цифре привели.

Важно понимать: любая модель — будь то структурная эконометрика или большая языковая модель — не является источником абсолютной истины. Это лишь инструмент, который позволяет структурировать информацию и проиллюстрировать некоторый фреймворк, показывающий чувствительность системы к изменению параметров. Модели обучаются на исторических данных, распределенных в мире, и в каком-то смысле любая модель демонстрирует то, что хочет показать её оператор. Абсолютной истины не существует. В этом смысле разница между структурными моделями и LLM не в степени истинности, а в нашей способности «пощупать» внутренние взаимосвязи. В структурных моделях мы можем проследить, как изменение фактора А влияет на фактор Б, а LLM для нас — это просто еще одно экспертное мнение, еще один голос в общем контексте, который мы учитываем наряду с другими. Только такой гибридный подход — мощь вычислений плюс строгость экономической теории и опыт эксперта — даёт нам уверенность в выводах.

— Если нейросети пока не справляются с прогнозированием в реальном времени, может, дело в качестве данных? Видите ли вы инфляцию в данных Wildberries раньше, чем в отчетах Росстата?

— Данные Росстата поступают к нам с той же оперативной периодичностью, что и всем: недельные данные — раз в неделю, полные данные по итогам месяца — примерно на 10-й рабочий день. И это достаточная степень оперативности для целей денежно-кредитной политики. Более чем достаточная, учитывая те лаги, с которыми ДКП воздействует на экономику. История о том, что есть какой-то запас более эффективных решений от того, что кто-то получит данные по ценам на два дня быстрее, — это заблуждение. Качество решений по ДКП в гораздо большей степени определяется способностью комплексно смотреть на все показатели, а не только на цены. Оперативность данных по ценам нас полностью устраивает. А вот где нам действительно не хватает оперативности и гранулярности официальных данных — так это в блоке, связанном с рынком труда. Именно здесь мы в большей степени завязаны на оперативные показатели из других источников. И сразу скажу: не только на HeadHunter.

Данные HeadHunter, которые в последнее время получили большую популярность, надо рассматривать весьма осторожно. Один человек, ищущий работу, может разместить там пять резюме по разным специальностям. Поэтому количество резюме на HeadHunter — не хороший количественный прокси того, что происходит с предложением на рынке труда. Надо соотносить это с другими показателями. В части вакансий HeadHunter — гораздо более качественный источник.

Российский контекст и компетенции будущего

В Департаменте исследований и прогнозирования Банка России под руководством Александра Морозова ведется активная работа по применению методов ML в макроэкономическом прогнозировании.

Особое внимание на конференции уделили кадровой повестке. Андрей Афонин, директор Университета Банка России, представил топ-5 навыков, определяющих успешность специалиста (по версии Всемирного экономического форума):

1. Аналитическое и творческое мышление.
2. Умение взаимодействовать с искусственным интеллектом.
3. Работа с большими данными.
4. Технологическая грамотность.
5. Кибербезопасность.

Особый акцент — на важности критического мышления для эффективного взаимодействия с ИИ. Модели могут ошибаться, и именно человек должен эти ошибки замечать и корректировать. Как подчеркнул сам Заботкин в официальном Telegram-канале ЦБ, «инфляция пока выше цели, не говоря уже об инфляционных ожиданиях, которые пока вообще сильно не снизились» . В таких условиях полагаться исключительно на алгоритмы — непозволительная роскошь.

Выводы

Научная конференция в Иннополисе наглядно продемонстрировала: дискуссия смещается от вопроса «Заменит ли ИИ традиционные модели?» к вопросу «Как эффективно сочетать различные подходы?».

Ключевые выводы:

1. ИИ не заменяет, а дополняет. Прогностическая мощность ML в сочетании с интерпретируемостью структурных моделей дает синергетический эффект.
2. Контекст имеет значение. Успех применения ИИ зависит от качества данных, постановки задачи и наличия человеческого контроля. LLM требуют тщательной верификации, особенно в реальном времени.
3. Новые источники данных — новые возможности. Альтернативные данные от маркетплейсов, платформ поиска работы и транзакций позволяют получать оперативную картину экономической активности, дополняя официальную статистику.
4. Кадры решают все. Экономист будущего должен владеть и эконометрикой, и методами ИИ, а главное — уметь критически мыслить и задавать правильные вопросы. Как верно заметил Заботкин, «резкое снижение ключевой ставки может существенно разогнать инфляцию, а высокая инфляция для бизнеса на длинном горизонте намного хуже, чем высокая ставка». Такие решения требуют взвешенного, человеческого подхода, а не автоматических алгоритмов.

Для Татарстана, где расположен Иннополис — один из ключевых российских центров развития ИИ, — эти темы имеют особое значение. Республика может стать полигоном для отработки гибридных подходов к экономическому анализу, соединяя компетенции Университета Иннополис, аналитические возможности крупных банков и экспертизу Банка России.