| Title: | Сравнительный анализ эффективности моделей временных рядов и алгоритмов машинного обучения в прогнозировании ВВП Республики Беларусь |
| Other Titles: | Comparative analysis of the effectiveness of time series models and machine learning algorithms in forecasting the GDP of the Republic of Belarus |
| Authors: | Полонников, А. Д. |
| Keywords: | материалы конференций;машинное обучение;эконометрика;ВВП;временные ряды;LASSO;Random Forest |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Полонников, А. Д. Сравнительный анализ эффективности моделей временных рядов и алгоритмов машинного обучения в прогнозировании ВВП Республики Беларусь = Comparative analysis of the effectiveness of time series models and machine learning algorithms in forecasting the GDP of the Republic of Belarus / А. Д. Полонников // Электронные системы и технологии : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: П. В. Камлач [и др.]. – Минск, 2026. – С. 937–938. |
| Abstract: | В работе проведён сравнительный анализ эффективности классических эконометрических моделей и алгоритмов машинного обучения при прогнозировании темпов роста валового внутреннего продукта Республики Беларусь. Эмпирическая база исследования включает квартальные макроэкономические показатели за период 2005–2024 гг. Оценка качества моделей осуществлялась с использованием метрик MAPE и RMSE. Установлено, что алгоритмы машинного обучения, в частности LASSO-регрессия, обеспечивают более высокую точность прогнозирования по сравнению с моделями ARIMA и VAR. Обоснована целесообразность применения гибридного подхода в макроэкономическом прогнозировании. |
| Alternative abstract: | The paper presents a comparative analysis of the effectiveness of classical econometric models and machine learning algorithms in forecasting the growth rate of the gross domestic product of the Republic of Belarus. The empirical basis of the study includes quarterly macroeconomic indicators for the period 2005–2024. The forecasting performance was evaluated using standard metrics, namely Mean Absolute Percentage Error (MAPE) and Root Mean Squared Error (RMSE). The results show that machine learning algorithms, in particular LASSO regression, provide higher forecasting accuracy compared to ARIMA and VAR models. The feasibility of applying a hybrid approach to macroeconomic forecasting is substantiated. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64883 |
| Appears in Collections: | Электронные системы и технологии : материалы 62-й конференции аспирантов, магистрантов и студентов (2026)
|
