ecr-journalЭкономическая наука современной РоссииEconomics of Contemporary Russia1609-14422618-8996Regional Public Organization for Assistance to the Development of Institutions of the Department of Economics of the Russian Academy of Sciences10.33293/1609-1442-2021-4(95)-35-48ecr-journal-671Research ArticleАКТУАЛЬНЫЕ ПРОБЛЕМЫ ЭКОНОМИЧЕСКОЙ ТЕОРИИACTUAL PROBLEMS OF ECONOMICSКраткосрочное экономическое прогнозирование комплекснозначными авторегрессиямиShort-Term Economic Forecasting by Complex-Valued Autoregressionshttps://orcid.org/0000-0001-6251-7644СветуньковСергей ГеннадьевичSvetunkovSergey G.

доктор экономических наук, профессор, профессор Высшей школы бизнес-инжиниринга

sergey@svetunkov.ruСанкт-Петербургский политехнический университет Петра Великого, Санкт-ПетербургРоссияPeter the Great St. Petersburg Polytechnic University, St. PetersburgRussian Federation202129122021043548Copyright © Regional Public Organization for Assistance to the Development of Institutions of the Department of Economics of the Russian Academy of Sciences, 20222022Regional Public Organization for Assistance to the Development of Institutions of the Department of Economics of the Russian Academy of SciencesRegional Public Organization for Assistance to the Development of Institutions of the Department of Economics of the Russian Academy of Scienceshttps://www.ecr-journal.ru/jour/about/submissions#copyrightNoticehttps://www.ecr-journal.ru/jour/article/view/671

Одним из направлений, которое способно расширить инструментальную базу моделирования экономики, является комплекснозначная экономика – ​раздел экономико-математического моделирования, посвященный использованию моделей и методов теории функции комплексного переменного в экономике. В статье рассматривается возможность краткосрочного экономического прогнозирования с помощью моделей авторегрессий комплексных переменных. Приводится классификация возможных модификаций комплекснозначных авторегрессионных моделей. Показываются основные свойства каждого из классов этих моделей. Одна из разновидностей этих комплексно­значных моделей использует текущую и прошлые ошибки аппроксимации, а это значит, что она может быть сравнима с широко распространенной на практике моделью авторегрессии действительных переменных ARIMA(p, d, q). В статье осуществляется такое сравнение как на теоретическом уровне, так и на практическом примере.

One of the directions that can expand the instrumental base for modeling the economy is complex-valued economics – ​a section of economic and mathematical modeling devoted to the use of models and methods of the theory of the function of a complex variable in economics. The article discusses the possibility of short-term economic forecasting using autoregressive models of complex variables. A classification of possible modifications of complex-valued autoregressive models is given, and the main properties of each of the classes of these models are shown. One of the varieties of these complex-valued models uses current and past errors of approximation, which means that it can be compared with the widely used model of autoregressive real variables ARIMA(p, d, q). The article makes such a comparison, both on a theoretical level and on a practical example.

комплекснозначная экономикакраткосрочное экономическое прогнозированиеавторегрессииcomplex-valued economicsshort-term economic forecastingautoregressive modelsРабота выполнена при финансовой поддержке РФФИ, грант № 19-010-00610\19 «Теория, методы и методики прогнозирования экономического развития авторегрессионными моделями комплексных переменных».This work was supported by the Russian Foundation for Basic Research, Grant No. 19-010-00610\19 “Theory, Methods and Techniques for Forecasting Economic Development by Autoregressive Models of Complex Variables”.ReferencesСветуньков И. С. (2011). Краткосрочное прогнозирование социально-экономических процессов с использованием модели с коррекцией // БІЗНЕС-ІНФОРМ. № 5 (4). С. 109–112.СSvetunkov I. S. (2011). Short-term forecasting of socio-economic processes using a model with correction. BIZNES-INFORM, no. 5 (4), pp. 109–112 (in Russian).Светуньков С. Г., Светуньков И. С. (2019). Производственные функции комплексных переменных: экономико-математическое моделирование производственной динамики. 2-е изд., доп. М.: Ленанд. 170 с.Svetunkov S. G., Svetunkov I. S. (2019). Production functions of complex variables: Economic and mathematical modeling of production dynamics. Edition 2, add. Moscow: Lenand. 170 p. (in Russian).Светуньков С. Г. (2020а). Прогнозирование экономической динамики с помощью комплекснозначной авторегрессии с временной составляющей (CTAR) // Современная экономика: проблемы и решения. № 9. С. 21–30. ]Svetunkov S. G. (2020a). Forecasting economic dynamics using complex-valued autoregression with a time component (CTAR). Modern Economics: Problems and Solutions, no. 9, pp. 21–30 (in Russian).Светуньков С. Г. (2020б). Комплекснозначная авторегрессия в экономическом прогнозировании одномерных рядов // Экономическая наука современной России. № 4 (91). С. 51–62. DOI: 10.33293/1609-1442-2020-4(91)-51-62Svetunkov S. G. (2020b). Complex-valued autoregression in economic forecasting of one-dimensional series. Economics of Contemporary Russia, no. 4 (91), pp. 51–62 (in Russian). DOI: 10.33293/1609-1442-2020-4(91)-51-62Baryev D., Konovalov I., Voinov N. (2019). New approach to feature generation by complex-valued econometrics and sentiment analysis for stock-market prediction. In: Arseniev D., Overmeyer L., Kälviäinen H., Katalinić B. (eds). Cyber-Physical Systems and Control. CPS&C Lecture Notes in Networks and Systems, 2019, vol. 95, pp. 573–582.Baryev D., Konovalov I., Voinov N. (2019). New approach to feature generation by complex-valued econometrics and sentiment analysis for stock-market prediction. In: Arseniev D., Overmeyer L., Kälviäinen H., Katalinić B. (eds). Cyber-Physical Systems and Control. CPS&C Lecture Notes in Networks and Systems, 2019, vol. 95, pp. 573–582.Box G. E.P., Jenkins G. M. (1976). Time series analysis, forecasting and control. Holden-day, Inc.Box G. E.P., Jenkins G. M. (1976). Time series analysis, forecasting and control. Holden-day, Inc.Fildes R. (2020). Learning from forecasting competitions. International Journal of Forecasting, no. 36, pp. 3–18.Fildes R. (2020). Learning from forecasting competitions. International Journal of Forecasting, no. 36, pp. 3–18.Kennedy P. (2008). A Guide to Econometrics. John Wiley & Sons. 598 p.Kennedy P. (2008). A Guide to Econometrics. John Wiley & Sons. 598 p.Peña D, Tiao G. C., Tsay R. S. (2011). A Course in Time Series Analysis. London: John Wiley & Sons. 496 p.Peña D, Tiao G. C., Tsay R. S. (2011). A Course in Time Series Analysis. London: John Wiley & Sons. 496 p.Racine J. S. (2019). Reproducible Econometrics Using R. Oxford: Oxford University Press. 320 p.Racine J. S. (2019). Reproducible Econometrics Using R. Oxford: Oxford University Press. 320 p.Svetunkov I., Kourentzes N. (2015). Complex exponential smoothing. Working Paper of Department of Management Science. Lancaster: Lancaster University. 31 p.Svetunkov I., Kourentzes N. (2015). Complex exponential smoothing. Working Paper of Department of Management Science. Lancaster: Lancaster University. 31 p.Svetunkov S. (2012). Complex-valued modeling in economics and finance. New York: Springer Science+Business Media. 318 p.Svetunkov S. (2012). Complex-valued modeling in economics and finance. New York: Springer Science+Business Media. 318 p.Tsay R. S. (2014). Multivariate time series analysis: With R and financial applications. Hoboken: John Wiley & Sons Inc. 492 p.Tsay R. S. (2014). Multivariate time series analysis: With R and financial applications. Hoboken: John Wiley & Sons Inc. 492 p.

The authors declare that there are no conflicts of interest present.