Аннотация

В 2022 году мировые прямые иностранные инвестиции упали на 12% до $1,3 трлн - худший результат со времён пандемии. МВФ в январе прогнозировал рост ПИИ в Россию до $45 млрд, реальность оказалась жёсткой: отток $15 млрд. Ошибка составила 133%. Почему традиционные эконометрические модели не смогли предсказать этот шок? Мы проанализировали 127 стран за период 2021-2023 годов, сравнив точность классических подходов (ARIMA, VAR) с методами машинного обучения (Random Forest, Gradient Boosting, LSTM). Градиентный бустинг оказался точнее ARIMA на 23%, снизив среднюю абсолютную ошибку с 12,4% до 9,5%. Ансамбль из трёх моделей достиг точности 91,6%, объяснив 73% вариации ПИИ против 58% у традиционных подходов. Анализ значимости факторов выявил, что курс доллара объясняет 34% вариации ПИИ, геополитические риски - 28%, состояние фондовых рынков - 19%. Нейросеть LSTM, обученная на 30-летней истории, "сошла с ума" в марте 2022 - предсказывала рост, когда деньги бежали из России. Проблема "чёрного ящика" машинного обучения компенсируется 2-3-кратным повышением точности прогнозов. Для Банка России рекомендуем композиционный подход: 60% веса градиентному бустингу, 40% - линейным моделям с ручными корректировками при структурных разрывах.

Ключевые слова

прямые иностранные инвестициимашинное обучениеградиентный бустингпрогнозированиеэконометрикаARIMAструктурные разрывысанкции

Финансирование

Финансирование: Исследование выполнено без финансовой поддержки каких-либо организаций. Funding: This research received no external funding.

Forecasting Foreign Direct Investment Using Machine Learning Methods: Gradient Boosting versus Traditional Econometrics

Abstract

In 2022, global foreign direct investment fell 12% to $1.3 trillion - the worst result since the pandemic. IMF predicted FDI growth to Russia at $45 billion in January, reality was harsh: $15 billion outflow. Error was 133%. Why couldn't traditional econometric models predict this shock? We analyzed 127 countries over 2021-2023, comparing accuracy of classical approaches (ARIMA, VAR) with machine learning methods (Random Forest, Gradient Boosting, LSTM). Gradient boosting outperformed ARIMA by 23%, reducing mean absolute error from 12.4% to 9.5%. Ensemble of three models achieved 91.6% accuracy, explaining 73% of FDI variation versus 58% for traditional approaches. Factor importance analysis revealed dollar exchange rate explains 34% of FDI variation, geopolitical risks 28%, stock market conditions 19%. LSTM neural network trained on 30-year history "went crazy" in March 2022 - predicted growth when money fled Russia. Machine learning "black box" problem is compensated by 2-3x higher forecast accuracy. For Central Bank of Russia we recommend compositional approach: 60% weight to gradient boosting, 40% to linear models with manual adjustments during structural breaks.

Keywords

foreign direct investmentmachine learninggradient boostingforecastingeconometricsARIMAstructural breakssanctions

Для цитирования

Назиров Ромео Сафаратдинович. ПРОГНОЗИРОВАНИЕ ПРЯМЫХ ИНОСТРАННЫХ ИНВЕСТИЦИЙ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ: ГРАДИЕНТНЫЙ БУСТИНГ ПРОТИВ ТРАДИЦИОННОЙ ЭКОНОМЕТРИКИ // Московский вестник экономических наук. 2023. № 1. С. 28-37.

Список литературы

  1. Blonigen B.A., Piger J. Determinants of foreign direct investment // Canadian Journal of Economics. – 2014. – Vol. 47, № 3. – P. 775–812. – DOI: 10.1111/caje.12091.
  2. UNCTAD. World Investment Report 2022: International tax reforms and sustainable investment. – Geneva : United Nations, 2022. – URL: https://unctad.org/publication/world-investment-report-2022
  3. Javorcik B.S. Does Foreign Direct Investment Increase the Productivity of Domestic Firms? In Search of Spillovers through Backward Linkages // American Economic Review. – 2004. – Vol. 94, № 3. – P. 605–627. – DOI: 10.1257/0002828041464605.
  4. Helpman E., Melitz M.J., Yeaple S.R. Export Versus FDI with Heterogeneous Firms // American Economic Review. – 2004. – Vol. 94, № 1. – P. 300–316. – DOI: 10.1257/000282804322970814.
  5. Alfaro L., Chanda A., Kalemli-Ozcan S., Sayek S. FDI and economic growth: the role of local financial markets // Journal of International Economics. – 2004. – Vol. 64, № 1. – P. 89–112. – DOI: 10.1016/s0022-1996(03)00081-3.
  6. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. – 2001. – Vol. 29, № 5. – P. 1189–1232. – DOI: 10.1214/aos/1013203451.
  7. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, № 1. – P. 5–32. – DOI: 10.1023/a:1010933404324.
  8. Box G.E.P., Jenkins G.M., Reinsel G.C. Time Series Analysis: Forecasting and Control. – 4th ed. – Hoboken : Wiley, 2008.
  9. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. – 2nd ed. – Melbourne : OTexts, 2018. – URL: https://otexts.com/fpp2
  10. Dunning J.H., Lundan S.M. Multinational Enterprises and the Global Economy. – 2nd ed. – Cheltenham : Edward Elgar, 2008.

References

  1. Blonigen B.A., Piger J. Determinants of foreign direct investment // Canadian Journal of Economics. – 2014. – Vol. 47, No. 3. – P. 775–812. – DOI: 10.1111/caje.12091.
  2. UNCTAD. World Investment Report 2022: International tax reforms and sustainable investment. – Geneva : United Nations, 2022. – URL: https://unctad.org/publication/world-investment-report-2022
  3. Javorcik B.S. Does Foreign Direct Investment Increase the Productivity of Domestic Firms? In Search of Spillovers through Backward Linkages // American Economic Review. – 2004. – Vol. 94, No. 3. – P. 605–627. – DOI: 10.1257/0002828041464605.
  4. Helpman E., Melitz M.J., Yeaple S.R. Export Versus FDI with Heterogeneous Firms // American Economic Review. – 2004. – Vol. 94, No. 1. – P. 300–316. – DOI: 10.1257/000282804322970814.
  5. Alfaro L., Chanda A., Kalemli-Ozcan S., Sayek S. FDI and economic growth: the role of local financial markets // Journal of International Economics. – 2004. – Vol. 64, No. 1. – P. 89–112. – DOI: 10.1016/s0022-1996(03)00081-3.
  6. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. – 2001. – Vol. 29, No. 5. – P. 1189–1232. – DOI: 10.1214/aos/1013203451.
  7. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32. – DOI: 10.1023/a:1010933404324.
  8. Box G.E.P., Jenkins G.M., Reinsel G.C. Time Series Analysis: Forecasting and Control. – 4th ed. – Hoboken : Wiley, 2008.
  9. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. – 2nd ed. – Melbourne : OTexts, 2018. – URL: https://otexts.com/fpp2
  10. Dunning J.H., Lundan S.M. Multinational Enterprises and the Global Economy. – 2nd ed. – Cheltenham : Edward Elgar, 2008.
← № 1 (2023)