Дерево решений Банка России

Латыпов Родион Ринатович   Ахмедова Елена Андреевна   Постолит Егор Анатольевич   

Статья опубликована в журнале «Проблемы прогнозирования» (ISSN: 0868-6351 (Print), ISSN: 3034-0071 (Online)), №5 2025

RUEN
ДЕРЕВО РЕШЕНИЙ БАНКА РОССИИ

ЛАТЫПОВ Родион Ринатович, Rodion.Latypov@vtbcapital.ru, Внешний торговый банк; Московский государственный университет им. М.В. Ломоносова, Москва, Россия

АХМЕДОВА Елена Андреевна, Elena.Akhmedova@euler.team, Акционерное общество «Эйлер Аналитические Технологии», Москва, Россия;

ПОСТОЛИТ Егор Анатольевич, Egor.Postolit@euler.team, Акционерное общество «Эйлер Аналитические Технологии», Москва, Россия

Аннотация. В данной работе построено дерево решений Банка России. Полученный в результате алгоритм, во-первых, позволяет определить, какие факторы являются определяющими для Банка России при принятии решений по ключевой ставке. Во-вторых, алгоритм позволяет выявить порядок важности факторов и развилки, возникающие при принятии решений. Ансамбль деревьев решений может быть использован как предсказательная модель с высокой точностью прогноза на отложенной выборке.

Ключевые слова: денежно-кредитная политика, ключевая ставка, машинное обучение, дерево решений, Банк России.

DOI: 10.47711/0868-6351-212-85-100

JEL: E52; E58; C38; C54.

Статья поступила в редакцию 24.12.2024. Статья принята к публикации 10.02.2025.

Для цитирования: Р.Р. Латыпов, Е.А. Ахмедова, Е.А. Постолит. Дерево решений Банка России // Проблемы прогнозирования. 2025. № 5 (212). С. 85-100. DOI: 10.47711/0868-6351-212-85-100

DECISION TREE OF THE BANK OF RUSSIA

R.R. LATYPOV, Foreign Trade Bank; Lomonosov Moscow State University, Moscow, Russia

E.A. AKHMEDOVA, Euler Analytical Technologies Joint Stock Company, Moscow, Russia

E.A. POSTOLIT, Euler Analytical Technologies Joint Stock Company, Moscow, Russia

Abstract. In this work, a decision tree of the Bank of Russia is constructed. The resulting algorithm, firstly, allows us to determine which factors are decisive for the Bank of Russia when making decisions on the key rate. Secondly, the algorithm allows us to identify the order of importance of factors and the forks that arise when making decisions. An ensemble of decision trees can be used as a predictive model with high prediction accuracy on a delayed sample.

Keywords: monetary policy, key rate, machine learning, decision tree, Bank of Russia.

DOI: 10.1134/S1075700725700388

Received 24.12.2024. Accepted 10.02.2025.

For citation: R.R. Latypov, E.A. Akhmedova, and E.A. Postolit. Decision Tree of the Bank of Russia // Studies on Russian Economic Development. 2025. Vol. 36. No. 5. Pp. 653–665. DOI: 10.1134/S1075700725700388

Литература/References

 

  1. Набиуллина Э.С. Трудный путь России к цели по инфляции: лекция в честь Мишеля Камдессю / Конференция МВФ. Вашингтон, сентябрь 2018. Банк России. URL: http://www.cbr.ru/press/event/?id=5227 [Nabiullina E.S. Russia’s rocky road to the (inflation) target. IMF Lecture in Honor of M. Camdessus. 2018. (In Russ.)]
  2. Доклад о денежно-кредитной политике № 3, январь 2013. Банк России. URL: https://www.cbr.ru/Collection/Collection/File/7857/2013_01_ddcp.pdf [Monetary Policy Report, № 3, January 2013. Bank of Russia. (In Russ.)]
  3. Доклад о денежно-кредитной политике № 4, сентябрь 2015. Банк России. URL: https://www.cbr.ru/Collection/Collection/File/7845/2015_03_ddcp.pdf [Monetary Policy Report, № 4, September 2015. Bank of Russia. (In Russ.)]
  4. Доклад о денежно-кредитной политике № 2, декабрь 2015. Банк России. URL: https://www.cbr.ru/Collection/Collection/File/7844/2015_04_ddcp.pdf [Monetary Policy Report, № 2, December 2015. Bank of Russia. (In Russ.)]
  5. Обзор денежно-кредитной политики Банка России. Банк России. 2023. URL: http://www.cbr.ru/dkp/review_dkp/ [Monetary Policy Review. Bank of Russia. 2023. (In Russ.)]
  6. Глазова А.М. Оптимальный уровень цели по инфляции, ZLB и равновесная реальная процентная ставка //Исследовательский доклад Банка России. 2023. URL: https://www.cbr.ru/StaticHtml/File/146496/research_policy_notes_b_1_2.pdf [Glazova A.M. Optimalnyi uroven’ tseli po inflyatsii, ZLB i ravnovesnaya realnaya protsentnaya stavka // Bank of Russia Working Paper. 2023. (In Russ.)]
  7. Основные направления единой государственной денежно-кредитной политики на 2023 год и период 2024 и 2025 годов. Банк России. URL: https://www.cbr.ru/about_br/publ/ondkp/on_2023_2025/ [Guidelines for the Single State Monetary Policy for 2023-2025. Bank of Russia. (In Russ.)]
  8. Доклад о денежно-кредитной политике № 2, май 2022. Банк России. URL: https://www.cbr.ru/about_br/publ/ddkp/longread_2_38/ [Monetary Policy Report, № 2, May 2022. Bank of Russia. (In Russ.)]
  9. Орлов А.Д. Квартальная прогнозная модель России / Исследовательский доклад Банка России. 2021. URL: https://www.cbr.ru/content/document/file/118791/inf_note_feb_2521.pdf [Orlov A.D. Russia’s quarterly projection model // Bank of Russia Working Paper. 2021. (In Russ.)]
  10. Егоров А. Индикаторы жесткости денежно-кредитных условий / Аналитическая записка Банка России. 2023. URL: https://www.cbr.ru/content/document/file/145085/analytic_note_20230222_ddkp.pdf [Egorov A. Indikatory zhestkosti denezhno-kreditnykh uslovii // Bank of Russia Working Paper. 2023. (In Russ.)]
  11. Taylor J.B. Discretion versus policy rules in practice // Carnegie-Rochester Conference Series on Public Policy. 1993. No. 39. Pp. 195-214. DOI: 10.1016/0167-2231(93)90009-L.
  12. Svensson L.E.O. Inflation forecast targeting: Implementing and monitoring inflation targets // European Economic Review. 1997. No. 41 (6). Pp. 1111-1146. DOI: 10.1016/S0014-2921(96)00055-4.
  13. Batini N., Haldane A. Forward-looking rules for monetary policy. In: Monetary Policy Rules. University of Chicago Press, 1999. Pp. 157-202.
  14. Вдовиченко А.Г., Воронина В.Г. Правила денежно-кредитной политики Банка России // Консорциум экономических исследований и образования: Серия «Научные доклады». 2004. № 04/09. URL: https://www.eeg.ru/downloads/PUBLICATIONS/SCIENTIFIC/2004_008ru.pdf [Vdovichenko A.G., Voronina V.G. Pravila denezhno-kreditnoy politiki Banka Rossii // Economic Research and Education Consortium Working Papers. 2004. 04/09. (In Russ.)]
  15. Федорова Е.А., Мухин А.С., Довженко С.В. Модифицированное правило Тейлора для Банка России на основе переключения режимов // Финансы и кредит. 2015. № 2 (626). С. 14-21. [Fedorova E.A., Mukhin A.S., Dovzhenko S.V. The modified Taylor rule for the Bank of Russia based on mode switching // Finance and credit. 2015. No. 2 (626). Pp. 14-21. (In Russ.)]
  16. Korhonen I., Nuutilainen R. Breaking monetary policy rules in Russia // Russian Journal of Economics. 2017. № 3 (4). С. 366-378. DOI: 10.1016/j.ruje.2017.12.004.
  17. Carlstrom C., Fuerst T.S. Forward-looking versus backward-looking Taylor rules // Working Papers, Federal Reserve Bank of Cleveland. 2000. URL: https://pages.stern.nyu.edu/~dbackus/Identification/CarlstromFuerst_forwardlooking_00.pdf
  18. Hatzius J., Hooper P., Mishkin F., Schoenholtz K.L., Watson M.W. Financial conditions indexes: A fresh look after the Financial crisis // NBER Working Papers. 2010. DOI: 10.3386/w16150.
  19. Freedman C. The use of indicators and of the monetary conditions index in Canada. In: Frameworks for Monetary Stability: Policy Issues and Country Experiences. IMF. 1994. Pp. 458-476. DOI: 10.5089/9781557754196.071.
  20. Hatzius J., Stehn S.J. The case for a financial conditions index. Goldman Sachs Economic Research. 2018. URL: https://www.gspublishing.com/content/research/en/reports/2018/04/16/535d94ca-1d27-40c3-8bf9-88696e26b91e.pdf
  21. Arrigoni S., Bobasu A., Venditti F. The simpler the better: Measuring financial conditions for monetary policy and financial stability // ECB Working Papers. 2020. No. 2451.
  22. Bê Duc L., de Bondt G., Calza A., Marques-Ibanez D., van Rixtel A., Scopel S. Financing conditions in the Euro Area // ECB Occasional Paper. 2005. No. 37.
  23. Quinlan J.R. Induction of decision trees // Machine Learning. 1986. No. 1. Pp. 81-106. DOI: 10.1007/BF00116251.
  24. Qiu C., Li T., Qiu X. Research on forecasting of China’s monetary policy based on random forest algorithm // Journal of Physics: Conference Series. 2020. No. 1549. DOI: 10.1088/1742-6596/1549/3/032078.
  25. Семитуркин О., Шевелев А. Корректное сравнение предиктивных свойств моделей машинного обучения на примере прогнозирования инфляции в Сибири // Деньги и кредит. 2023. № 82 (1). С. 87-103. [Semiturkin O., Shevelev A. Correct comparison of predictive features of machine learning models: the case of forecasting inflation rates in Siberia // Russian Journal of Money and Finance. 2023. No. 82 (1). Pp. 87-103. (In Russ.)]
  26. Павлов Е. Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. 2020. № 79 (1). С. 57-73. [Pavlov E. Forecasting inflation in Russia using neural networks // Russian Journal of Money and Finance. 2020. No. 79 (1). Pp. 57-73. (In Russ.)] DOI: 10.31477/rjmf.202001.57.
  27. Байбуза И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 77 (4). С. 42-59. DOI: 10.31477/rjmf.201804.42. [Baybuza I. Inflation forecasting using machine learning methods // Russian Journal of Money and Finance. 2018. No. 77 (4). Pp. 42-59. (In Russ.)]
  28. Крепцев Д.А., Поршаков А.С., Селезнев С.М., Синяков А.А. Равновесная процентная ставка: оценки для России / Серия докладов об экономических исследованиях. 2016. № 13. URL: https://www.cbr.ru/Content/Document/File/16727/wps_13.pdf [Kreptsev D.A., Porshakov A.S., Seleznev S.M., Sinyakov A.A. The equilibrium interest rate: a measurement for Russia // Bank of Russia Economic Research Working Papers. 2016. No. 13. (In Russ.)]
  29. Breiman L. Classification and Regression Trees. New York: Routledge, 1984. URL: https://doi.org/10.1201/9781315139470
  30. Clarida R. Financial markets and monetary policy: Is there a hall of mirrors problem? U.S. Monetary Policy Forum, sponsored by the Initiative on Global Markets at the University of Chicago Booth School of Business, New York. 2020. URL: https://www.federalreserve.gov/newsevents/speech/files/clarida20200221a.pdf