Использование текстовой информации для прогнозирования в макроэкономике
https://doi.org/10.38050/01300105201965
Аннотация
В работе показано, как текстовая информация может использоваться для прогнозирования в макроэкономике. Рассматривается частный случай прогнозирования — наукастинг, или прогнозирование настоящего на примере безработицы. Суть наукастинга заключается в том, что прогноз строится на период, который уже прошел, но по которому еще не вышли статистические данные. В качестве текстовой информации выступают интернет-запросы. Работа является новой сразу по нескольким направлениям. Впервые в литературе для прогнозирования используется информация сразу двух поисковых систем — Яндекса и Google. Информация, предоставляемая поисковыми системами, дополняет друг друга и позволяет отбирать подходящие слова и словосочетания среди всех интернет-запросов пользователей. Впервые учитывается популярность онлайн-систем как источников информации о наличии рабочих мест. В России популярность интернета как источника информации о доступности рабочих мест выросла более чем в три раза с 2008 по 2018 г. Напрямую использование текстовой информации может отражать переключение населения на другие источники поиска информации, а не изменения в безработице. Большинство предложенных слов и словосочетаний показали значимое улучшение при прогнозировании безработицы на период от 1 до 6 месяцев вперед. Также в работе предлагается методика использования интернет-запросов для прогнозирования в макроэкономике.
Об авторе
Г. С. Куровский
Центральный банк Российской Федерации
Россия
Россия
Куровский Глеб Станиславович, экономист
Москва
Список литературы
1. Лазарян С. С., Герман, Н. Е. Прогнозирование текущей динамики ВВП на основе данных поисковых запросов // Финансовый журнал. — 2018. — № 6. — С. 83–94.
2. Подбор слов Яндекса. URL: https://wordstat.yandex.ru
3. Федеральная служба государственной статистики. URL: http://www.gks.ru
4. D’Amuri F., Marcucci J. The predictive power of Google searches in forecasting US unemployment // International Journal of Forecasting. — 2017. — 33(4). — 801–816.
5. Askitas N., Zimmermann K. F. Google econometrics and unemployment forecasting // Applied Economics Quarterly. — 2009. — 55(2). — 107–120.
6. Choi H., Varian H. Predicting the present with Google Trends // Economic Record. — 2012. — 88. — 2–9.
7. Diebold F. X., Mariano R. S. Comparing predictive accuracy // Journal of Business & economic statistics. — 2002. — 20(1). — 134–144.
8. Fondeur Y., Karamé F. Can Google data help predict French youth unemployment? // Economic Modelling. — 2013. — 30. — 117–125.
9. Gentzkow Matthew, Bryan Kelly, Matt Taddy. Text as Data // Journal of Economic Literature. — 2019. — 57 (3). — 535–74.
10. Giannone D., Reichlin L., Small D. Nowcasting: The real-time informational content of macroeconomic data // Journal of Monetary Economics. — 2008. — 55(4). — 665–676.
11. Google Trends. URL: https://www.google.com/trends
12. Harvey D., Leybourne S., Newbold P. Testing the equality of prediction mean squared errors // International Journal of forecasting. — 1997. — 13(2). — 281–291.
13. Jones K. S. A statistical interpretation of term specificity and its application in retrieval // Journal of documentation. — 2004.
14. Kholodilin K. A., Podstawski M., & Siliverstovs B. Do Google searches help in nowcasting private consumption? // A real-time evidence for the US. 2010.
15. Luhn H. P. A statistical approach to mechanized encoding and searching of literary information // IBM Journal of research and development. — 1957. — 1(4). — 309–317.
16. Nassirtoussi A. K., Wah T. Y., Ling D. N. C. A novel FOREX prediction methodology based on fundamental data // African Journal of Business Management. — 2011. — 5(20). — 8322.
17. Pavlicek J., Kristoufek L. Nowcasting unemployment rates with google searches: Evidence from the visegrad group countries // PloS one. — 2015. — 10(5), e0127084.
18. Plotly Technologies Inc. Title: Collaborative data science Publisher: Plotly Technologies Inc. Place of publication: Montréal, QC Date of publication: 2015. URL: https://plot.ly
19. Preis T., Moat H. S., Stanley H. E. Quantifying trading behavior in financial markets using Google Trends // Scientific reports. — 2013. — 3. — 1684.
20. Russia Longitudinal Monitoring survey, RLMS-HSE, conducted by National Research University “Higher School of Economics” and OOO “Demoscope” together with Carolina Population Center, University of North Carolina at Chapel Hill and the Institute of Sociology of the Federal Center of Theoretical and Applied Sociology of the Russian Academy of Sciences. RLMS-HSE web sites: http://www.cpc.unc.edu/projects/rlms-hse, http://www.hse.ru/org/hse/rlms
21. Verzilin D., Maximova T., Sokolova I. Online socioeconomic activity in Russia: patterns of dynamics and regional diversity // International Conference on Digital Transformation and Global Society. — 2017, June. — P. 55–69. Springer, Cham.
Рецензия
Для цитирования:
Куровский Г.С. Использование текстовой информации для прогнозирования в макроэкономике. Вестник Московского университета. Серия 6. Экономика. 2019;(6):39-58. https://doi.org/10.38050/01300105201965
For citation:
Kurovskiy G.S. Using textual information to predict in macroeconomics. Moscow University Economics Bulletin. 2019;(6):39-58. (In Russ.) https://doi.org/10.38050/01300105201965
Просмотров:
195
Послать статью по эл. почте 