Генеративный искусственный интеллект в задачах социально - экономического прогнозирования

В статье рассматривается опыт применения искусственного интеллекта (ИИ) и больших языковых моделей (LLM) для прогнозирования ключевых макроэкономических показателей: валового внутреннего продукта (ВВП), инфляции, уровня безработицы, процентных ставок и коэффициента Джини. Анализируются возможности этих новых подходов по сравнению с традиционными методами прогнозирования, такими как эконометрические модели, равновесные модели и агент-ориентированное моделирование для различных временны́ х горизонтов. В работе обобщаются как академические исследования, так и опыт практических реализаций, включая эксперименты центральных банков по использованию фундаментальных моделей и LLM-подобных архитектур (таких как GPT) для макроэкономического прогнозирования. Особое внимание уделяется способности LLM анализировать текстовую информацию и генерировать прогнозы, сопоставимые по точности, а в некоторых случаях превосходящие оценки профессиональных экспертов. Обзор также охватывает новейшие фундаментальные модели временны́х рядов, такие как TimeGPT, TimesFM и Moirai, в которых используются трансформерные архитектуры, адаптированные под экономические данные. Основные выводы указывают на то, что ИИ и LLM обеспечивают значительное преимущество с точки зрения гибкости, адаптивности и способности работать с широким спектром источников информации, особенно в условиях высокой волатильности или информационного насыщения. Однако остаются проблемы, связанные с интерпретируемостью, стабильностью и долгосрочной согласованностью прогнозов. В статье делается вывод о том, что наилучшие перспективы для развития макроэкономического прогнозирования связаны с гибридными подходами, которые объединяют вычислительную мощность и адаптивность ИИ с теоретической строгостью и объяснимостью традиционных экономико-математических моделей.