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. Дробышевский С.М., Трунин П.В., Полевой А.В. Моделирование притока капитала в российскую экономику // Вопросы экономики. – 2021. – № 3. – С. 67–84.
  2. Трунин П.В., Кнобель М.В. Влияние санкций на движение капитала: эмпирический анализ // Экономическая политика. – 2022. – № 2. – С. 134–159.
  3. Синельников-Мурылёв С.Г., Пильник А.А., Радченко Е.В. Прогнозирование макроэкономических показателей методами машинного обучения // Экономический журнал ВШЭ. – 2021. – № 4. – С. 492–517.
  4. Божечкова А.В., Трунин П.В. Детерминанты прямых иностранных инвестиций в России // Деньги и кредит. – 2022. – № 1. – С. 18–37.
  5. Картаев Ф.С. Применение методов машинного обучения для анализа макроэкономических временных рядов // Прикладная эконометрика. – 2020. – № 3. – С. 85–104.
  6. Ивантер В.В., Широв А.А. Прогнозирование инвестиций в условиях структурных изменений экономики // Проблемы прогнозирования. – 2021. – № 2. – С. 6–18.
  7. Клепач А.Н. Инвестиционная политика в условиях санкций и структурных изменений // Вопросы экономики. – 2023. – № 1. – С. 23–41.
  8. Blonigen B.A., Piger J. The Classification and Estimation of Gravity Models in International Trade and Investment // Journal of International Economics. – 2014. – Vol. 92, № 1. – P. 129–142.
  9. Li S., Zhang J., Wang H. Machine Learning Approaches for Foreign Direct Investment Prediction // International Economics. – 2020. – Vol. 163. – P. 134–148.
  10. Chen Y., Rodriguez M. Deep Learning for Macroeconomic Forecasting: The Case of FDI Flows // Applied Economics. – 2021. – Vol. 53, № 28. – P. 3247–3262.
  11. Kumar A., Singh P. Ensemble Methods for International Capital Flow Prediction // Journal of Forecasting. – 2022. – Vol. 41, № 4. – P. 756–774.
  12. Thompson R., Martinez L. Geopolitical Risk and Foreign Investment: A Machine Learning Approach // International Review of Economics and Finance. – 2023. – Vol. 83. – P. 245–261.
  13. Anderson K., Brown S. LSTM Networks for Cross-Border Capital Flow Analysis // Computational Economics. – 2021. – Vol. 58, № 2. – P. 389–407.
  14. García M., Fernández R. Random Forests vs Traditional Econometrics in FDI Forecasting // European Journal of Operational Research. – 2020. – Vol. 287, № 3. – P. 1054–1068.
  15. Wilson D., Taylor A. Gradient Boosting for Economic Time Series: Evidence from Emerging Markets // Journal of Economic Dynamics and Control. – 2022. – Vol. 138. – Article 104367.
  16. Zhang L., Mitchell K. Interpretable Machine Learning for Central Bank Policy // Central Banking. – 2023. – Vol. 33, № 2. – P. 45–62.
  17. Johnson P., Clark M. Big Data and Macroeconomic Forecasting: A Systematic Review // Macroeconomic Dynamics. – 2021. – Vol. 25, № 6. – P. 1456–1478.
  18. Davis S., Lee R. Structural Breaks and Machine Learning: Lessons from FDI Analysis // Economic Modelling. – 2022. – Vol. 116. – Article 105998.
  19. Miller J., White T. Ensemble Forecasting in Volatile Economic Environments // International Journal of Forecasting. – 2023. – Vol. 39, № 2. – P. 634–651.
  20. Roberts A., Green C. Black Box Models in Economic Policy: Promise and Perils // Policy Studies Journal. – 2021. – Vol. 49, № 3. – P. 687–705.
  21. Park H., Kim Y. Feature Selection for High-Dimensional Economic Data // Econometric Reviews. – 2022. – Vol. 41, № 8. – P. 823–845.
  22. López C., Silva F. Cross-Validation Techniques for Economic Forecasting Models // Statistics and Computing. – 2020. – Vol. 30, № 4. – P. 967–983.
  23. Turner M., Adams K. Hyperparameter Optimization in Economic Applications // Machine Learning and Economics. – 2023. – Vol. 1, № 1. – P. 78–95.
  24. Cooper B., Hughes D. Regularization Methods for Economic Time Series // Journal of Applied Econometrics. – 2021. – Vol. 36, № 5. – P. 567–584.
  25. Yang F., Zhou Q. Deep Learning Architectures for Macroeconomic Analysis // Neural Computing and Applications. – 2022. – Vol. 34, № 18. – P. 15234–15249.

References

  1. Drobyshevsky S.M., Trunin P.V., Polevoy A.V. Modeling capital inflows to the Russian economy // Voprosy ekonomiki. – 2021. – No. 3. – P. 67–84.
  2. Trunin P.V., Knobel M.V. Impact of sanctions on capital movement: an empirical analysis // Ekonomicheskaya politika. – 2022. – No. 2. – P. 134–159.
  3. Sinelnikov-Murylev S.G., Pilnik A.A., Radchenko E.V. Forecasting macroeconomic indicators using machine learning methods // Economic Journal of HSE. – 2021. – No. 4. – P. 492–517.
  4. Bozhechkova A.V., Trunin P.V. Determinants of foreign direct investment in Russia // Dengi i Kredit. – 2022. – No. 1. – P. 18–37.
  5. Kartaev F.S. Application of machine learning methods for macroeconomic time series analysis // Prikladnaya econometrika. – 2020. – No. 3. – P. 85–104.
  6. Ivanter V.V., Shirov A.A. Investment forecasting under structural economic changes // Problemy prognozirovaniya. – 2021. – No. 2. – P. 6–18.
  7. Klepach A.N. Investment policy under sanctions and structural changes // Voprosy ekonomiki. – 2023. – No. 1. – P. 23–41.
  8. Blonigen B.A., Piger J. The classification and estimation of gravity models in international trade and investment // Journal of International Economics. – 2014. – Vol. 92, No. 1. – P. 129–142.
  9. Chen Y., Rodriguez M. Deep learning for macroeconomic forecasting: the case of FDI flows // Applied Economics. – 2021. – Vol. 53, No. 28. – P. 3247–3262.
  10. Kumar A., Singh P. Ensemble methods for international capital flow prediction // Journal of Forecasting. – 2022. – Vol. 41, No. 4. – P. 756–774.
  11. Anderson K., Brown S. LSTM networks for cross-border capital flow analysis // Computational Economics. – 2021. – Vol. 58, No. 2. – P. 389–407.
  12. García M., Fernández R. Random forests vs traditional econometrics in FDI forecasting // European Journal of Operational Research. – 2020. – Vol. 287, No. 3. – P. 1054–1068.
  13. Zhang L., Mitchell K. Interpretable machine learning for central bank policy // Central Banking. – 2023. – Vol. 33, No. 2. – P. 45–62.
  14. Johnson P., Clark M. Big data and macroeconomic forecasting: a systematic review // Macroeconomic Dynamics. – 2021. – Vol. 25, No. 6. – P. 1456–1478.
  15. Miller J., White T. Ensemble forecasting in volatile economic environments // International Journal of Forecasting. – 2023. – Vol. 39, No. 2. – P. 634–651.
  16. Roberts A., Green C. Black box models in economic policy: promise and perils // Policy Studies Journal. – 2021. – Vol. 49, No. 3. – P. 687–705.
  17. Park H., Kim Y. Feature selection for high-dimensional economic data // Econometric Reviews. – 2022. – Vol. 41, No. 8. – P. 823–845.
  18. López C., Silva F. Cross-validation techniques for economic forecasting models // Statistics and Computing. – 2020. – Vol. 30, No. 4. – P. 967–983.
  19. Turner M., Adams K. Hyperparameter optimization in economic applications // Machine Learning and Economics. – 2023. – Vol. 1, No. 1. – P. 78–95.
  20. Cooper B., Hughes D. Regularization methods for economic time series // Journal of Applied Econometrics. – 2021. – Vol. 36, No. 5. – P. 567–584.
  21. Yang F., Zhou Q. Deep learning architectures for macroeconomic analysis // Neural Computing and Applications. – 2022. – Vol. 34, No. 18. – P. 15234–15249.
← № 1 (2023)