|
2.
Adabiyotlar sharhi (Literature review)
Makroiqtisodiy ko`rsatkichlarni prognozlashda machine learning metodlarini qo`llash
mavzusida xorijlik tadqiqotchilarning ko`plab ilmiy ishlari yozilgan bo`lib, ular ichida
ushbu tadqiqotga katta ta’sir ko`rsatganlarini sanab o`tamiz. Stock and Watson (2008)
larning tadqiqoti inflatsiyani prognozlashga bag`ishlangan bo`lib,
Stock and Watson
(2008)
175
turli modellarni to`rtta asosiy guruhga ajratib, tahlil qilishadi. Birinchi guruhda
faqat inflatsiya vaqtli qatorlarini ishlatishga asoslanadi: ARMA, RW va mualliflarning
o`zlari ishlab chiqqan, kuzatilmagan komponentlar va stoxastik volatillik modeli
(Unobserved Components – Stochastic Volatility, UC-SV) modellari kiradi. Ikkinchi
guruhga o`zgaruvchisi iqtisodiy faoliyat, masalan ishsizlik va ishlab chiqarishdagi
uzilishlarga asoslangan modellar kiradi. Uchinchi modellar professional prognozistlardan
so`rovnomalarga
asoslanadi.
To`rtinchi
guruhda
ikkinchi
guruhga
kirmagan
o`zgaruvchilarga ega bo`lmagan modellar kiritiladi. Modellar kvartalli ma’lumotlar asosida
10 yillik muddat uchun psevdo-real muddatdagi prognozlarni tuzishadi. Modelni baholash
uchun o`rtacha kvadratik chetlanish (Root Mean Square Error, RMSE) olinadi. Xulosa
shunday bo`ldiki, faqat inflatsiyaning vaqtli qatorlari yordamidagi modellar ko`p
o`zgaruvchili modellardan ortda qolmaydi. Ko`p o`zgaruvchili modellarni tuzishdagi
qiyinchiliklarni hisobga olib, mualliflar bir o`zgaruvchili modellarni afzal deb xulosa
qilishadi.
Faust and Wright (2013)
176
muallifigidagi maqola ham inflatsiyani prognozlashga
bag`ishlangan. Mualliflar ML ning 17 ta turli modellarini o`zaro solishtirishadi. Ular
orasida - “tasodifiy yurish” (“Random Walk”), avtoregressiya metodlari (AR (1) va AR
(p)), Fillips egri chizig`iga asoslangan model, strukturali vektor avtoregressiya (SVAR),
Bayesning o`rtachalar modeli (BMA), umumiy muvozanatning dinamik stoxastik modeli
(Dynamic Stochastic General Equilibrium, DSGE) va boshqalar bor. Mualliflar o`rtacha
kvadratik chetlanish (RMSE) orqali modellarni baholashadi. Bunda, etalon sifatida AR (1)
modeli olinib, barcha modellar aynan shu modelga nisbatan baholanadi. Eng yaxshi model
sifatida professional prognozistlar fikriga asoslangan model yutib chiqadi. Lekin, ushbu
175
Phillips Curve Inflation Forecasts James H. Stock, Mark W. Watson NBER Working Paper No. 14322 September 2008
176
Inflation forecasting; Faust, Jon; Jonathan H. Wright; Handbook of Forecasting, 2:A, 2013, G. Elliott and A. Timmermann
eds., 2013, 2-56..)
786
tadqiqot ham yuqoridagi tadqiqotning eng yaxshi ko`p faktorli modellar eng yaxshi bir
faktorli modellarga nisbatan yutuq bermasligini isbotladi.
Rossiyalik tadqiqotchilar
Fokin va Polbin (2019)
177
makroiqtisodiy ko`rsatkichlar
prognozida VAR-LASSO modelini qo`llab, Rossiya iqtisodiyoti uchun 2019-2024 yillar
uchun prognozlarni amalga oshirishadi. Ular BVAR (Bayesian Vector Autoregression),
VAR, ARIMA metodlari bilan VAR-LASSO modelini taqqoslab, ularning modelining
ustunligini ko`rsatib berishadi. Ularning 2016-2018 yillar uchun psevdo-real vaqtdagi
prognozlar Rossiya iqtisodiy rivojlanish vazirligi va Xalqaro Valuta Fondi prognozlari va
haqiqiy ko`rsatkichlar bilan taqqoslashda RMSE (o`rtacha kvadratik chetlanish)
ko`rsatkichidan foydalanishadi. Ushbu ishning o`ziga xosligi – Rossiy iqtisodiyoti
sekinlashishini strukturali o`zgarish sifatida modelga qo`sha olishadi va shu orqali modeli
aniqligini oshirishadi.
Macau Universiteti tadqiqotchisi
Yun Liao (2017)
178
ning izlanishida makroiqtisodiy vaqtli
qatorlarni prognozlashda neyron tarmoq (Neural Network), Markovning o`zgaruvchan
modeli va K-o`rtacha modelini qo`llash orqali yuqori natijaga erishish mumkinligini
ko`rsatadi. Muallif o`z modelini AQSh iqtisodiyotida 11 ta vaqtli qatorlarning 1968 – 2015
yillardagi ma’lumotlariga asoslanib tuzadi. Ushbu tadqiqot texnologyalarning yana bir
yutug`i – neyron tarmoqlarining iqtisodiy prognozlashda ishlatilishini namoyon etuvchi
ishlardan biri bo`ldi.
S. Siami-Namini, Tavakoli and A. Siami Namini (2018)
179
iqtisodiyotdagi vaqtli
qatorlarni prognozlashda ARIMA va neyron tarmoqlarning yana bir vakili bo`lgan Long
Short-Term Memory (LSTM) metodini solishtirib ko`rishadi. Ushbu tadqiqot natijalariga
ko`ra, LSTM modeli ARIMA modeliga qaraganda turli holatlarda 84-87% aniqroq prognoz
qilishi imkonini beradi.
Anna Almosova, Niek Andresen (2019)
180
larning tadqiqotlari ham aynan ushbu mavzuga
qaratilgan bo`lib, AQSh iste’mol narxlari indeksi prognozida RW, AR, SARIMA, Markov
177
Fokin, N. and Polbin, A. (2019). Forecasting Russia's Key Macroeconomic Indicators with the VAR-LASSO Model.
Russian Journal of Money and Finance, 78(2), pp. 67–93.
178
Yun Liao, 2017. "Machine Learning in Macro-Economic Series Forecasting," International Journal of Economics and
Finance, Canadian Center of Science and Education, vol. 9(12), pages 71-76, December.
179
Siami-Namini, Sima et al. “A Comparison of ARIMA and LSTM in Forecasting Time Series.” 2018 17th IEEE
International Conference on Machine Learning and Applications (ICMLA) (2018): 1394-1401.
180
Nonlinear Inflation Forecasting with Recurrent Neural Networks Anna Almosova Niek Andresen (2019)
787
o`zgaruvchan modeli (MS-AR) hamda LSTM modellari o`rtasida taqqoslash amalga
oshirib, RMSE bo`yicha eng kichik xatolik LSTM modelida ekanligini ko`rishadi. Ayniqsa,
LSTMning afzalliklari bir qadam oldingi prognozda emas, balki uzoqroq muddatdagi
prognozlarda namoyon bo`ladi.
Umuman olib aytganda, makroiqtisodiy ko`rsatkichalrni prognozlashda machine learning
metodlaridan foydalanish, nafaqat O`zbekiston, balki rivojlangan davlatlar iqtisodiyoti
uchun ham dolzarb masala hisoblanadi. Shu tufayli, ushbu mavzudagi ilmiy maqolalar soni
tez sur’atlarda ko`payib bormoqda.
788
Do'stlaringiz bilan baham: |
