Прогнозування економічних показників з використанням нейронних мереж LSTM та графових моделей кореляційного аналізу
DOI:
https://doi.org/10.30837/0135-1710.2025.184.022Ключові слова:
штучний інтелект, машинне навчання, нейронні мережі, економічне прогнозування, аналіз часових рядів, багатовимірне прогнозування, графові моделі, візуалізація даних, кореляційний аналізАнотація
Досліджено застосування нейронних мереж довготривалої короткочасної пам’яті (LSTM) для прогнозування макроекономічних показників України, зокрема в умовах структурних змін, спричинених впливом факторів воєнного часу. Описано обмеження традиційних методів, таких як моделі авторегресії – інтегрованого ковзного середнього (ARIMA) та векторної авторегресії (VAR), які мають труднощі у врахуванні нелінійної динаміки та адаптації до різких змін. Обґрунтовано доцільність використання LSTM як гнучкішого підходу, здатного засвоювати складні часові залежності та покращувати точність прогнозів.
Для аналізу взаємозв’язків між макроекономічними показниками застосовано графові моделі кореляційного аналізу, що дозволило виявити ключові економічні кластери та визначити найвпливовіші змінні. Проведено експериментальне тестування моделі на даних про економічний стан України, а результати прогнозування порівняно з базовими моделями (наївним прогнозом та ARIMA). Оцінка точності показала, що LSTM перевершує традиційні підходи за середньою абсолютною та середньоквадратичною помилками, особливо в умовах нестабільності.
Аналіз результатів у період після початку повномасштабної війни виявив труднощі, пов’язані зі зміною економічних зв’язків і порушенням попередніх трендів, що знизило точність прогнозів. Запропоновано шляхи адаптації моделі, зокрема введення режимних змінних, що відображають вплив факторів воєнного часу та зовнішні фінансові чинники, застосування механізму поетапного донавчання, а також використання кореляційних графів для покращення вибору вхідних змінних.
Отримані результати підтверджують ефективність використання LSTM для макроекономічного прогнозування, а також демонструють, що графові моделі кореляційного аналізу можуть посилити її адаптивність у періоди економічної нестабільності. Запропоновані методи можуть бути корисними для подальшого вдосконалення моделей прогнозування, особливо з урахуванням кризових ситуацій та структурних змін в економіці.
Посилання
Ma, Y. (2024). Analysis and Forecasting of GDP Using the ARIMA Model. Information Systems and Economics, 5 (1). http://doi.org/10.23977/infse.2024.050112
Hamiane, S., Ghanou, Y., Khalifi, H., Telmem, M. (2024). Comparative Analysis of LSTM, ARIMA, and Hybrid models for Forecasting Future GDP. Ingénierie des systèmes d information, 29 (03), 853–861. http://doi.org/10.18280/isi.290306
Holtz, Y. Clustering result visualization with network diagram. URL: https://www.r-graph-gallery.com/250-correlation-network-with-igraph.html
Alboukadel (2019). Easily Create a Correlation Network in R using the Corrr Package. URL: https://www.datanovia.com/en/blog/easily-create-a-correlation-network-in-r-using-the-corrr-package/
Atindana, E., Engmann, G. M., Azaare, J. (2024). Statistical Network Analysis of Macroeconomic Variables in Ghana. American Journal of Theoretical and Applied Statistics, 13 (6), 227–241. http://doi.org/10.11648/j.ajtas.20241306.15
Трекер економіки України під час війни. Centre for Economic Strategy. URL: https://ces.org.ua/tracker-economy-during-the-war/
Ampountolas, A. (2024). Forecasting Orange Juice Futures: LSTM, ConvLSTM, and Traditional Models Across Trading Horizons. Journal of Risk and Financial Management, 17 (11), 475. http://doi.org/10.3390/jrfm17110475
Kamolthip, S. (2021). Macroeconomic forecasting with LSTM and mixed frequency time series data. arXiv. http://doi.org/10.48550/arXiv.2109.13777
Siami-Namini, S., Tavakoli, N., Siami Namin, A. (2018). A Comparison of ARIMA and LSTM in Forecasting Time Series. В: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). Orlando, FL: IEEE, 1394–1401. http://doi.org/10.1109/ICMLA.2018.00227
Agustí, M., Costa, I. V.-Q., Altmeyer, P. (2023). Deep vector autoregression for macroeconomic data. IFC Bulletins chapters, 59. URL: https://ideas.repec.org//h/bis/bisifc/59-39.html
Dziubanovska, N., Koziuk, V., Hural, D., Danyliuk, I. (2024) Does Expectations Affect Inflation Forecasting Abilities of Machine Learning Techniques: Case of Ukraine. The First International Workshop of Young Scientists on Artificial Intelligence for Sustainable Development; May 10-11, 2024, Ternopil, Ukraine. URL: https://ceur-ws.org/Vol-3716/paper10.pdf
Almosova, A., Andresen, N. (2023). Nonlinear inflation forecasting with recurrent neural networks. Journal of Forecasting, 42 (2), 240–259. http://doi.org/10.1002/for.2901
The Bohdan Khmelnytsky National University of Cherkasy, Munka, S., Kyryliuk, Y., The Bohdan Khmelnytsky National University of Cherkasy (2022). Forecasting Indicators of Economic Development of Ukraine Using an Artificial Neural Network. Path of Science, 8 (1), http://doi.org/10.22178/pos.78-11
Новоселецький, О. М., Лопацька, І. В. (2012). Прогнозування рівня інфляції в Україні на основі нейронечітких мереж. Scientific Notes of Ostroh Academy National University, «Economics» Series, (19), URL: https://journals.oa.edu.ua/Economy/article/view/1390
Tumminello, M., Lillo, F., Mantegna, R. N. (2010). Correlation, hierarchies, and networks in financial markets. Journal of Economic Behavior & Organization, 75 (1), 40–58. http://doi.org/10.1016/j.jebo.2010.01.004
Sonani, M. S., Badii, A., Moin, A. (2025). Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis. arXiv. http://doi.org/10.48550/ARXIV.2502.15813
ВВП України за роками. URL: https://nabu.ua/ua/vvp-2.html
Ціни і тарифи. URL: https://www.ukrstat.gov.ua/operativ/menu/menu_u/cit.htm
Офіційний курс гривні щодо іноземних валют. URL: https://bank.gov.ua/ua/markets/exchangerate-chart?cn%5B%5D=USD&endDate=10.03.2025&startDate=01.01.2000
Про роботу банківської системи та валютного ринку з 24 лютого 2022 року в умовах воєнного стану по всій території України. URL: https://bank.gov.ua/ua/news/all/pro-robotu-bankivskoyi-sistemi-ta-valyutnogo-rinku-z-24-lyutogo-2022-roku-za-umovi-voyennogo-stanu-po-vsiy-teritoriyi-ukrayini
НБУ впроваджує керовану гнучкість обмінного курсу, що посилить стійкість валютного ринку та економіки. URL: https://bank.gov.ua/ua/news/all/nbu-vprovadjuye-kerovanu-gnuchkist-obminnogo-kursu-scho-posilit-stiykist-valyutnogo-rinku-ta-ekonomiki
Slaviuk, N. (2023). Exchange rate of Ukraine: tendencies and problems. Kyiv-Mohyla Academy Publishing House, URL: https://ekmair.ukma.edu.ua/handle/123456789/31880
Fix the Hryvnia? Never Again! URL: https://voxukraine.org/en/fix-the-hryvnia-never-again
Ukraine Trade Summary 2002. WITS. URL: https://wits.worldbank.org/CountryProfile/en/Country/UKR/Year/2002/Summarytext
Національний банк України URL: https://bank.gov.ua/files/ES/BOP_m.xlsx
Облікова ставка Національного банку. URL: https://bank.gov.ua/ua/monetary/archive-rish
Динаміка міжнародних резервів. URL: https://bank.gov.ua/ua/markets/international-reserves-allinfo/dynamics?endDate=01.02.2025&startDate=01.02.2003
Foreign aid received. URL: https://ourworldindata.org/grapher/foreign-aid-received-net?tab=chart&country=UKR
Trebesch, C., Bomprezzi, P., Kharitonov, I. (2025). Ukraine Support Tracker Data. URL: https://www.ifw-kiel.de/publications/ukraine-support-tracker-data-20758/
Lu, Y. (2016). Empirical Evaluation of A New Approach to Simplifying Long Short-term Memory (LSTM). arXiv. http://doi.org/10.48550/arXiv.1612.03707
Oberoi, J. S., Pittea, A., Tapadar, P. (2020). A graphical model approach to simulating economic variables over long horizons. Annals of Actuarial Science, 14 (1), 20–41. http://doi.org/10.1017/S1748499519000022
Баник, А., Мулеса, П. (2025). Візуалізація кореляційних зв’язків та прогнозування макроекономічних змін в Україні. В: Proceedings of VIII International Scientific and Practical Conference. Boston, USA: BoScience Publisher, 211–215. URL: https://sci-conf.com.ua/viii-mizhnarodna-naukovo-praktichna-konferentsiya-current-trends-in-scientific-research-development-13-15-03-2025-boston-ssha-arhiv/
Баник, А., Мулеса, П. (2025). Технічна основа прогнозування за допомогою LSTM та кореляційний аналіз на етапі підготовки даних. В: Collection of Scientific Papers «International Scientific Unity» with Proceedings of the 2nd International Scientific and Practical Conference. Bucharest, Romania, 79–82. URL: https://isu-conference.com/en/archive/modern-science-economy-and-digital-innovation-12-03-25/
