Прогнозирование индексов промышленного производства с использованием продвинутых методов нейросетевого моделирования

3. Актуальность, цель и задачи выполнения работы. Актуальность: Прогнозирование динамики промышленного производства остается важной задачей экономического анализа. Традиционные методы часто не учитывают влияние внешней информационной среды, в то время как современные нейросетевые модели, включая NHITS и Transformer, способны извлекать сложные закономерности даже при ограниченных данных. Дополнительно использование новостных опережающих индексов, построенных с применением больших языковых моделей (LLM), позволяет интегрировать текстовую информацию о настроениях и событиях в экономические прогнозы, повышая их точность и устойчивость. Цель: Целью работы является разработка и эмпирическая оценка нейросетевых моделей прогнозирования индексов промышленного производства с использованием опережающих новостных индексов, сформированных на основе больших языковых моделей, а также количественных макроэкономических показателей, с целью повышения точности и устойчивости прогнозов в условиях ограниченности временных данных. Задачи: 1. Обзор современных нейросетевых архитектур для прогнозирования временных рядов  Иерархическая интерполяция временных рядов (Neural Hierarchical Interpolation for Time Series, NHITS);  Сети Колмогорова-Арнольда (Kolmogorov-Arnold Networks, KANs);  Смесь экспертных сетей KAN (Reversible Mixture of KAN – RmoK);  Инвертируемый трансформер (iTransformer). 2. Влияние текстовых данных на экономические переменные  Разработка подходов к использованию больших языковых моделей для извлечения из текстов экономически значимой информации.  Разработака RAG (Retrieval Augmented Generation) системы для обогащения контекста новости.  Разработка новостных индексов, как дополнительных высокочастотных источников информации для прогнозных моделей. 3. Моделирование и прогнозирование индексов промышленного производства  Построение прогнозных моделей и проверка гипотез исследования:  продвинутые нейросетевые архитектуры демонстрируют более высокую устойчивость и точность прогнозирования по сравнению с традиционными моделями;  использование новостных индексов улучшает прогнозные характеристики моделей;  совместное прогнозирование индексов промышленного производства снижает ошибку по сравнению с независимыми моделями. Методология исследования: методы эконометрического и нейросетевого моделирования.