Макроекономічне прогнозування геополітичних змін у світі з використанням методів машинного навчання

Анотація

У статті досліджено можливості застосування методів машинного навчання для макроекономічного прогнозування геополітичних змін на основі панельних макроекономічних даних. Актуальність дослідження зумовлена зростанням рівня геополітичної нестабільності у світовій економіці, посиленням міжнародних конфліктів, санкційних обмежень та структурних криз, що суттєво впливають на економічний розвиток країн. У таких умовах підвищується потреба у використанні сучасних аналітичних підходів, здатних забезпечити більш точне прогнозування геополітичних ризиків та виявлення складних нелінійних взаємозв’язків між макроекономічними показниками. Метою дослідження є розробка та реалізація підходу до прогнозування індексу геополітичного ризику із використанням методів машинного навчання. У межах роботи застосовано ансамблеві алгоритми градієнтного бустингу XGBoost та LightGBM, які дозволяють ефективно працювати з високовимірними даними та враховувати складну структуру взаємозв’язків між змінними. Для оцінювання якості прогнозування використано метрики MAE, RMSE та MAPE. Інформаційну базу дослідження сформовано у вигляді панельної структури «країна-рік», що охоплює 43 країни за період 2000-2024 рр. та включає 499 макроекономічних показників, які характеризують виробництво, споживання, зовнішню торгівлю, інституційний розвиток, демографічні та екологічні процеси. Цільовою змінною виступає індекс геополітичного ризику. Для забезпечення коректності прогнозування вибірку поділено на навчальний (2000-2018 рр.) та тестовий (2019-2024 рр.) періоди. Отримані результати свідчать про високу точність прогнозування для обох моделей, значення MAPE не перевищує 1,9%, що підтверджує ефективність застосування ансамблевих алгоритмів машинного навчання у задачах прогнозування геополітичних процесів. Встановлено, що використані моделі демонструють стійкість результатів навіть за наявності пропущених значень та структурних зламів у часових рядах. Додатково застосовано кластерний аналіз, який дозволив виділити групи країн із різним рівнем геополітичної напруженості. У результаті дослідження підтверджено доцільність використання методів машинного навчання для аналізу та прогнозування геополітичних змін. Запропонований підхід може бути використаний як інструмент підтримки прийняття рішень у сфері макроекономічного прогнозування та економічної політики.