Марат Салихов – о сложностях экономического прогнозирования и ограничениях прогнозистов.
Марат Салихов, профессор РЭШ
У публичных экономистов существуют серьезные стимулы проявлять осторожность, особенно в отношении пессимистичных прогнозов. Несбывшееся негативное предсказание может нанести ощутимый урон репутации эксперта, в то время как сбывшийся мрачный прогноз могут счесть случайным везением. Возникает асимметрия рисков: для специалиста безопаснее ошибиться в сторону излишнего оптимизма вместе с консенсусом, чем оказаться единственным пессимистом, чей прогноз не оправдался. Так, исследование 2007 года показало, что в прогнозах по ВВП и инфляции, которые делали эксперты стран G7, было систематическое смещение в сторону благоприятных сценариев.
Кроме того, эксперты опасаются спровоцировать самосбывающееся пророчество. Погода не ухудшится, если спрогнозировать дождь. Публичное же заявление авторитетного экономиста о грядущей рецессии может побудить компании сократить инвестиции, а потребителей – расходы, тем самым приближая наступление кризиса. Поэтому предостережения часто формулируются в более мягкой и обтекаемой манере. Бывший главный экономист МВФ Рагхурам Раджан отмечал, что реалистичные, но мрачные прогнозы могут вызвать резкую критику со стороны коллег. Он сам испытал ее в 2005 году, когда его предупреждение о рисках, предшествовавших мировому финансовому кризису, было встречено академическим сообществом с откровенным скепсисом.
С другой стороны, специалисты, часто выступающие в СМИ с категоричными предсказаниями, могут быть склонны переоценивать свои аналитические возможности и строить убедительные, но не всегда точные повествования. Они часто делают предсказания для того, чтобы воодушевить и солидаризировать свою аудиторию или же рассказать интересную, неочевидную историю. Такие мотивы могут сильно конфликтовать с точностью прогнозирования. Политолог Филип Тетлок выяснил, что эксперты, приверженные одной «большой идее» (так называемые «ежи»), систематически уступают в точности прогнозов более гибким и самокритичным «лисам», которые мыслят шире.
Независимость прогнозиста – критически важный фактор для объективности и точности экономических оценок. Когда аналитическая группа работает внутри организации, прямо заинтересованной в определенном результате (например, в правительстве или частной корпорации), возникают стимулы для корректировки прогноза в желаемую сторону. Классический пример – официальные прогнозы бюджетных параметров. Исследования профессора Гарвардской школы государственного управления Джеффри Франкела показывают, что такие прогнозы систематически оказываются более оптимистическими, чем оценки независимых экспертов.
Схожая проблема конфликта интересов существует и в частном секторе. Финансовые аналитики, работающие в крупных банках, часто публикуют излишне позитивные прогнозы по акциям компаний, поскольку это помогает поддерживать деловые отношения с их менеджментом и получать необходимую информацию. В исследовании Теренса Лима, опубликованном в The Journal of Finance в 2001 году, отмечалось устойчивое оптимистическое смещение в прогнозах корпоративных прибылей. Независимость аналитика оказывается под угрозой, поскольку он мотивирован не только точностью прогноза, но и лояльностью к объекту своего анализа или заказчику.
Еще одно ограничение для задач макроэкономического прогнозирования – узкая специализация, присущая академической среде. Она необходима для научного прогресса, поскольку позволяет с методологической строгостью анализировать отдельные явления, изолировать переменные и выявлять устойчивые причинно-следственные связи. Однако именно эта глубина создает риск «туннельного зрения», мешая видеть общую картину.
Этот разрыв наглядно проявился перед глобальным кризисом 2008 года: макроэкономические модели не уделяли большого внимания финансовому сектору. Бывший главный экономист МВФ Рагхурам Раджан указывал, что именно такая дисциплинарная разобщенность и сверхспециализация стали одной из причин коллективной неспособности предвидеть катастрофу 2008 года.
Дело в том, что цель науки – установление устойчивых, воспроизводимых закономерностей, например, как изменение процентной ставки влияет на инвестиции при прочих равных. Задача же прикладного прогнозиста принципиально иная: предсказать итоговый результат, который зависит от одновременного действия десятков таких связей и множества непредсказуемых факторов. Поэтому стимулы ученых основаны на их вкладе в наши фундаментальные знания, а не на точности сиюминутных предсказаний. Это и объясняет концентрацию практического прогнозирования за пределами университетов.
Качественная научная работа требует аналитической глубины в одной области, тогда как прогнозирование – способности к синтезу разнородных данных и оценке быстро меняющейся конъюнктуры. Поэтому для создания качественных прогнозов, как правило, лучше формировать команды из разноплановых экспертов, чьи знания дополняют друг друга. Современные технологии и анализ больших данных могут помочь преодолеть разрыв между теорией и практикой, но ключевую роль в прогнозировании по-прежнему играет широта экспертного взгляда.
Помимо когнитивных и поведенческих искажений точность экономических прогнозов ограничивают и фундаментальные, объективные трудности. Показателен пример метеорологии: несмотря на то что погода подчиняется строгим законам физики, по-настоящему надежные прогнозы стали возможны лишь сравнительно недавно и только благодаря колоссальным вычислительным мощностям. Экономика же представляет собой систему неизмеримо более сложного порядка.
Во-первых, в отличие от физических констант, фундаментальные условия в экономике постоянно меняются. Эволюция финансовых инструментов, технологий и глобальных связей означает, что закономерности прошлого могут быть неприменимы к будущему. Незначительные изменения входных параметров способны приводить к совершенно нелинейным и непредсказуемым последствиям.
Во-вторых, серьезным ограничением выступает нехватка исторических данных. Систематический сбор детальной экономической статистики – явление относительно недавнее, а число масштабных мировых рецессий, доступных для изучения, крайне мало. Это порождает проблему малой выборки и не позволяет надежно обучать модели.
Наконец, в профессиональной среде не всегда уделялось достаточно внимания культуре систематического отслеживания и оценки точности индивидуальных прогнозов. Это позволяло некоторым экспертам делать ошибочные предсказания без существенного ущерба для своей репутации.
Машинное обучение специализируется на выявлении сложных нелинейных закономерностей в структурированных количественных данных. Будучи свободными от эмоций и когнитивных искажений (например, оптимизма или страха), алгоритмы машинного обучения способны выявлять комбинации индикаторов, которые объективно полезны для прогнозирования. Например, недавние исследования указывают, что одновременный быстрый рост кредитования и формирование пузыря на рынках активов могут быть полезным сигналом о приближающемся кризисе.
Один из успешных примеров алгоритмов машинного обучения – DoomBot, разработанный Организацией сотрудничества и экономического развития. Алгоритм перебирает сотни макроэкономических показателей для разных стран и автоматически выбирает наиболее релевантный набор для каждой из них, регулярно обновляя прогнозы вероятности спада. Система показала свою эффективность, задним числом сигнализируя о приближении кризиса 2008 года. Однако она же хуже справилась с предсказанием европейского долгового кризиса 2011–2012 годов, что подчеркивает ее зависимость от исторических данных. Важно, что система способна к самокоррекции: после 2012 года DoomBot научился на своих ошибках и начал уделять больше внимания таким индикаторам, как спреды доходностей государственных облигаций, которые были ключевыми в том кризисе.
Если машинное обучение работает с фиксированными числовыми рядами, то искусственный интеллект (ИИ) открывает возможность анализа неструктурированных текстовых данных: новостных статей, отчетов аналитиков, протоколов заседаний центральных банков и даже сообщений в социальных сетях. ИИ способен находить и оцифровывать новые, ранее неиспользуемые переменные, такие как изменение тональности в заявлениях политиков или рост обеспокоенности в деловых СМИ. Предварительные результаты недавнего эксперимента, который провели исследователи из США, указывают на то, что большие языковые модели, имеющие доступ к макроэкономическим данным, могут генерировать прогнозы, по точности не уступающие опросам профессиональных экономистов.
Конечно, эти оптимистические результаты пока являются предварительными. Только время покажет эффективность этих новых методов. Также стоит учитывать и возможные риски. Например, машинное обучение ограничено имеющимися историческими данными и может пропустить кризис нового, невиданного ранее типа. Искусственный интеллект, в свою очередь, подвержен риску воспроизведения человеческих предубеждений, ведь он обучается на корпусе текстов, созданных людьми. Еще один риск состоит в том, что ИИ и машинное обучение сами по себе усложняют устройство экономики, а значит, могут сделать ее более непредсказуемой.
Наиболее перспективным путем может быть синтез подходов: использование машинного обучения для объективного анализа количественных данных, ИИ – для извлечения сигналов из качественной информации, а человека-эксперта – для критической интерпретации результатов и учета уникального контекста, который машины могут упустить. Такие гибридные системы, дополненные альтернативными механизмами вроде рынков предсказаний, могут сделать кризисы менее внезапными, хотя и вряд ли полностью предсказуемыми.
Несмотря на все ограничения, которые мы обсудили, экономическое прогнозирование полезно для принятия решения. Оно формирует системную основу для управления рисками и структурирует дискуссию о возможных сценариях. Цель прогнозирования – не устранить неопределенность, а откалибровать ее, сделав экономические шоки менее разрушительными за счет своевременной подготовки.
