Расчет и применение высокочастотных макропоказателей: пример на российских данных

Дьячкова Наталья Федоровна   Синельникова-Мурылёва Елена Владимировна   

Статья опубликована в журнале «Проблемы прогнозирования» (ISSN: 0868-6351 (Print), ISSN: 3034-0071 (Online)), №2 2026

RUEN
РАСЧЕТ И ПРИМЕНЕНИЕ ВЫСОКОЧАСТОТНЫХ МАКРОПОКАЗАТЕЛЕЙ: ПРИМЕР НА РОССИЙСКИХ ДАННЫХ

ДЬЯЧКОВА Наталья Федоровна, к.э.н., dyachkova-nf@ranepa.ru, Центр изучения проблем центральных банков, Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации, Москва, Россия
ORCID: 0000-0001-9212-8869

СИНЕЛЬНИКОВА-МУРЫЛЁВА Елена Владимировна, к.э.н., e.sinelnikova@ranepa.ru, Центр изучения проблем центральных банков, Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации, Москва, Россия
ORCID: 0000-0001-7494-2728

Аннотация. В статье рассматривается международный опыт расчета и применения высокочастотных макропоказателей, основанных на онлайн-данных, в эмпирических исследованиях, посвященных оценке и прогнозированию выпуска, безработицы и инфляции. Как показывают результаты исследований, высокочастотные показатели могут обладать определенным преимуществом при прогнозировании динамики макроэкономических процессов в режиме реального времени (наукастинг), в отличие от низкочастотных данных. В статье также представлен пример высокочастотного ценового индекса, реплицированного по методологии Росстата на онлайн-данных.

Ключевые слова: онлайн-цены, индекс потребительских цен, прогнозирование, онлайн-данные, макропоказатели, безработица, выпуск.

JEL: C32, C43, C55, E31

DOI: 10.47711/0868-6351-215-69-82

Финансирование: Данная статья подготовлена в рамках государственного задания РАНХиГС.

Статья поступила в редакцию 01.07.2025. Статья принята к публикации 09.10.2025.

Для цитирования: Н.Ф. Дьячкова, Е.В. Синельникова-Мурылёва. Расчет и применение высокочастотных макропоказателей: пример на российских данных // Проблемы прогнозирования. 2026. № 2 (215). С. 69-82. DOI: 10.47711/0868-6351-215-69-82

CALCULATION AND APPLICATION OF HIGH-FREQUENCY MACROECONOMIC INDICATORS: A CASE STUDY USING RUSSIAN DATA

N.F. DYACHKOVA, Cand. Sci. (Econ), Center for Central Banking Studies, Russian Presidential Academy of National Economy and Public Administration (RANEPA), Moscow, Russia
ORCID: 0000-0001-9212-8869

E.V. SINELNIKOVA-MURYLEVA, Cand. Sci. (Econ), Center for Central Banking Studies, Russian Presidential Academy of National Economy and Public Administration (RANEPA), Moscow, Russia
ORCID: 0000-0001-7494-2728

Abstract. The article examines international practices for calculating and applying high-frequency macroeconomic indicators derived from online data in empirical studies focused on measuring and forecasting output, unemployment, and inflation. Research findings suggest that high-frequency indicators can offer significant advantages for real-time forecasting of the dynamics in macroeconomic processes (nowcasting) compared to traditional low-frequency data. The article also presents an example of a high-frequency price index replicated using the Rosstat methodology on online data.

Keywords: online prices, consumer price index (CPI), forecasting, online data, macroeconomic indicators, unemployment, output.

DOI: 10.1134/S1075700725700881

Funding: This article was written on the basis of the RANEPA state assignment research programme.

Received 01.07.2025. Accepted 09.10.2025.

For citation: N.F. Dyachkova and E.V. Sinelnikova-Muryleva. Calculation and Application of High-Frequency Macroeconomic Indicators: A Case Study Using Russian Data // Studies on Russian Economic Development. 2026. Vol. 37. No. 2. Pp. 206–216. DOI: 10.1134/S1075700725700881

Литература/References

  1. Buono D., Marcellino M. Big data types for macroeconomic nowcasting. Eurostat Review on National Accounts and Macroeconomic Indicators. 2017. Pp. 1-53.
  2. Elshendy M., Colladon A. Big data analysis of economic news: Hints to forecast macroeconomic indicators. International Journal of Engineering Business Management. 2017. No. 9.
  3. Staehr K. Macroeconomic and macro-financial factors as leading indicators of non-performing loans: Evidence from the EU countries. Journal of Economic Studies. 2021. Vol. 48 (3). Pp. 720-740.
  4. Дьячкова Н.Ф. Использование онлайн-данных по ценам в качестве опережающих индикаторов динамики макроэкономических показателей. Препринт РАНХиГС 2023. № 4/23. С. 1-38. [D`yachkova N.F. Ispol`zovanie onlajn-danny`x po cenam v kachestve operezhayushhix indikatorov dinamiki makroe`konomicheskix pokazatelej. Preprint RANXiGS. 2023. No. 4/23. Pp. 1-38. (In Russ.)]
  5. Дьячкова Н.Ф. Тезисы выступления на V Российском экономическом конгрессе «РЭК-2023». Тематическая конференция «Макроэкономика и экономический рост» (сборник тезисов докладов) / Составители: Е.Т. Гурвич, С.Э. Пекарский, А.А. Широв. М., 2023. Т. 3. С. 26-29. [D`yachkova N.F. Tezisy` vy`stupleniya na V Rossijskom e`konomicheskom kongresse «RE`K-2023». Tematicheskaya konferenciya «Makroe`konomika i e`konomicheskij rost» (sbornik tezisov dokladov) / Sostaviteli: E.T. Gurvich, S.E. Pekarskij, A.A. Shirov. M., 2023. Vol. 3. Pp. 26-29. (In Russ.)]
  6. Eurostat – Practical Guide for Processing Supermarket Scanner Data. 2017. Statistical methodology.
  7. Metcalfe E., Flower T., Lewis T., Mayhew M., Rowland E. The meeting of the Ottawa Group // Research indices using web scraped price data: clustering large datasets into price indices (CLIP). 2017.
  8. Aparicio D., Bertolotto M. Forecasting inflation with online prices. International Journal of Forecasting. 2020. Pp. 232-247.
  9. Божечкова А.В., Евсеев А.С. Анализ жесткости цен в розничной онлайн-торговле Москвы // Экономическая политика. 2020. № 15 (5). С. 32-59. DOI: 10.18288/1994-5124-2020-5-32-59. [Bozhechkova A.V., Evseev A.S. Analiz zhestkosti cen v roznichnoj onlajn-torgovle Moskvy. Jekonomicheskaja politika. 2020. No. 15 (5). Pp. 32-59. (In Russ.)]
  10. Macias P., Stelmasiak D., Szafranek K. Nowcasting food inflation with a massive amount of online prices. International Journal of Forecasting. 2023. Vol. 39. No. 2. Pp. 809-826.
  11. Божечкова А.В., Евсеев А.С. Выявление особенностей ценообразования на данных онлайн-ритейлеров Москвы // Экономическая политика. 2021. № 16 (5). С. 62-75. URL: https://doi.org/10.18288/1994-5124-2021-5-62-75 [Bozhechkova A.V., Evseev A.S. Vyjavlenie osobennostej cenoobrazovanija na dannyh onlajn-ritejlerov Moskvy. Jekonomicheskaja politika. 2021. No. 16 (5). Pp. 62-75(In Russ.)]
  12. Евсеев А. Особенности ценообразования на рынках онлайн-торговли г. Москвы // Экономическое развитие России. 2019. Т. 26. № 10. C. 39–44. [Evseev A. Osobennosti cenoobrazovanija na rynkah onlajn-torgovli g. Moskvy. Jekonomicheskoe razvitie Rossii. 2019. Vol. 26. No. 10. Pp. 39-44. (In Russ.)]
  13. Askitas N., Zimmermann K. Google Econometrics and Unemployment Forecasting // German Council for Social and Economic Data (RatSWD). 2009. Research Notes No. 41.
  14. Ross A. Nowcasting with Google Trends: a keyword selection method. Fraser of Allander Economic Commentary. 2013. Vol. 37. No. 2. Рp. 54-64.
  15. Zhemkov M. Nowcasting Russian GDP using forecast combination approach. Working Paper Series Bank of Russia. 2021. Pp. 1-26.
  16. Bantis E. Forecasting GDP growth rates in the United States and Brazil using Google Trends. International Journal of Forecasting. 2023. Vol. 39. No. 4. Pp. 1909-1924.
  17. Cavallo A., Rigobon R. The Billion Prices Project: Using Online Prices for Measurement and Research. Journal of Economic Perspectives. 2016. Vol. 2. No. 30. Pp. 151-178.
  18. Weng B., Martinez W., Tsai Y., Chen L., Barth J., Fadel M. Macroeconomic indicators alone can predict the monthly closing price of major U.S. indices: Insights from artificial intelligence, time-series analysis and hybrid models. Applied Soft Computing. 2018. Vol. 71. Pp. 685-697.
  19. Choi H., Varian H. Predicting Initial Claims for Unemployment Benefits // San Francisco Fed Economic Studies. 2009.
  20. D’Amuri F., Marcucci J. The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting. 2017. Vol. 33. Iss. 4. Pp. 801-816.
  21. Reis F., Ferreira P., Perduca V. The use of web activity evidence to increase the timeliness of official statistics indicators // Use of web activity evidence to increase timeliness (IAOS2014). 2014. Pp. 1-35.
  22. Garcia-Hiernaux A., Mulero R. Forecasting unemployment with Google Trends: age, gender and digital divide. Empirical Economics. Empirical Economics. 2023. Pp. 587-605.
  23. Ferreira P. Use of web activity evidence to increase timeliness (IAOS2014) // Improving prediction of unemployment statistics with Google trends: part 2. 2014.
  24. Narita F., Yin R. In Search of Information: Use of Google Trends’ Data to Narrow Information Gaps for Low-income Developing Countries // IMF Working Papers 2018/286, International Monetary Fund. December 2018. Pp. 1-51.
  25. Clements M. Macroeconomic Forecasting with Mixed-Frequency Data: Forecasting Output Growth in the United States. Journal of Business & Economic Statistics. 2008. Vol. 26. No. 4. Pp. 546-554.
  26. Schmidt T., Vosen S. Forecasting Private Consumption: Survey-based Indicators vs. Google Trends. Ruhr Economic Papers. 2009. No. 155. Pp. 1-24.
  27. Carlsen M., Storgaard P.E. Dankort payments as a timely indicator of retail sales in Denmark // Danmarks Nationalbank Working Papers. No. 66. 2010. Pp. 1-28.
  28. Koop G., Onorante L. Macroeconomic Nowcasting Using Google Probabilities. Advances in Econometrics: Topics in Identification. 2019. Pp. 17-40.
  29. Galbraith J., Tkacz G. Nowcasting GDP with electronic payments data // Statistics Paper Series 10, European Central Bank. 2015. Pp. 1-20.
  30. Aprigliano V., Ardizzi G., Monteforte G. Using Payment System Data to Forecast Economic Activity // International Journal of Central Banking. October 2019. Vol. 15. No. 4. Pp. 55-80.
  31. Rooj D., Sengupta R. Forecasting private consumption with digital payment data: A mixed frequency analysis // ADBI Working Paper Series, No. 1249, Asian Development Bank Institute. 2021. Pp. 1-19.
  32. Bantis E., Clements M. P., Urquhart A. Forecasting GDP growth rates in the United States and Brazil using Google Trends. International Journal of Forecasting. 2023. Vol. 39. No. 4. Pp. 1909-1924.
  33. Zhang Q., Ni H., Xu H. Nowcasting Chinese GDP in a data-rich environment: Lessons from machine learning algorithms. Economic Modelling. May 2023. No. 122. Pp. 106-154.
  34. de Haan J., Hendriks R. Economic Measurement Group Workshop at Sydney // Online Data, Fixed Effects and the Construction of High-Frequency Price Indexes. 2013.
  35. Białek J., Roszko-Wójtowicz E. Potential reasons for CPI chain drift bias while using electronic transaction data. Technological and Economic Development of Economy. 2023. No. 29. Pp.1-27.
  36. Liang R., Wang F., Xu J., Nowcasting China’s PPI inflation using low-frequency and mixed-frequency dynamic factor models // Shanghai University of Finance and Economics. Working paper. 2021.
  37. Гребенкина А.М., Синельникова-Мурылева Е.В. Прогнозирование инфляции с использованием высокочастотных данных в моделях временных рядов // Экономическая политика. 2025. № 20 (2). С. 34-55. URL: https://doi.org/10.18288/1994-5124-2025-2-34-55 [Grebenkina A.M., Sinelnikova-Muryleva E.V. Prognozirovanie infljacii s ispol’zovaniem vysokochastotnyh dannyh v modeljah vremennyh rjadov. Jekonomicheskaja politika. 2025. No. 20 (2). Pp. 34-55. (In Russ.)]
  38. Boettcher I. Ottawa Group Online Pricing Project // Automatic data collection on the Internet (web scraping). Ottawa. 2015. Pp. 1-9.
  39. Griffioen A.R., de Haan J., Willenborg L. Collecting clothing data from the Internet // Statistics Netherlands –Working Papers Series. April 2014. Pp. 1-17.
  40. Oancea B. Automatic Product Classification Using Supervised Machine Learning Algorithms in Price Statistics. Mathematics. 2023. No. 11. Pp. 1588-1631.
  41. Ayoubkhani D. Estimating Weights for Web-Scraped Data in Consumer Price Indices. Journal of Official Statistics. 2022. Vol. 38. No. 1. Pp. 5-21.
  42. Евсеев А.С., Латыпов Р.Р., Постолит Е.А., Синельникова-Мурылева Е.В. Технические и методологические проблемы сбора данных о ценах онлайн-ретейлеров // Экономическое развитие России. 2022. № 29 (11). С.36-45. [Evseev A.S., Latypov R.R., Postolit E.A., Sinelnikova-Muryleva E.V. Tehnicheskie i metodologicheskie problemy sbora dannyh o cenah onlajn-retejlerov. Ekonomicheskoe razvitie Rossii. 2022. No. 29 (11). Pp. 36-45. (In Russ.)]
  43. Isakov A., Latypov R., Repin, A., Postolit E., Evseev A., Sinelnikova-Muryleva E. Hard Numbers: Open Consumer Price Database. Russian Journal of Money and Finance. 2021. No. 80 (1). Pp. 104-119. URL: https://doi.org/10.31477/rjmf.202101.104
  44. Росстат. Приказ Росстата от 23.12.2022 № 975 «Об утверждении наборов потребительских товаров и услуг и перечня базовых городов Российской Федерации для наблюдения за ценами и тарифами» // КонсультантПлюс. 2022. URL: http://www.consultant.ru/document/cons_doc_LAW_435526/ [Rosstat. Prikaz Rosstata ot 23.12.2022 N 975 «Ob utverzhdenii naborov potrebitel’skih tovarov i uslug i perechnja bazovyh gorodov Rossijskoj Federacii dlja nabljudenija za cenami i tarifami» // Konsul’tantPljus. 2022. (In Russ.)]