Így segíthet az AI az infláció előrejelzésében

krtk blog Az ELTE Közgazdaság- és Regionális Tudományi Kutatóközpont blogja.

Az elmúlt években az európai gazdaságok soha nem látott inflációs hullámokat éltek át. A koronavírus-járvány, majd az orosz–ukrán háború hatásai az energia- és élelmiszerárakon keresztül a mindennapi életet is megdrágították. A döntéshozók – jegybankok, kormányok, vállalatok – számára kulcskérdés lett, hogyan lehet előre látni ezeket az árváltozásokat. Legutóbbi kutatásunkban azt vizsgáltuk, hogy a gépi és mély tanulási modellek milyen pontossággal képesek előrejelezni az eurózóna inflációját.

A vizsgálat során az Eurostat harmonizált fogyasztóiár-indexét (HICP) 2000 és 2023 között tekintettük át – tehát egy olyan időszakot vizsgáltunk, amely egyszerre tartalmazza a pénzügyi krízist, az enyhülő időszakot és az ukrajnai háborúval járó bizonytalanságot. A legtöbb elemzés az infláció egészét próbálja megjósolni. A kutatásunk ezzel szemben 12 fogyasztói kategóriára fókuszált külön-külön (például élelmiszer, közlekedés, lakhatás, egészségügy stb.), hogy feltérképezzük, melyik terület mennyire könnyen vagy nehezen jelezhető előre.

A 2009-es pénzügyi válság idején az inflációs komponensek előrejelezhetősége jelentősen romlott, különösen az élelmiszer, vendéglátás és közlekedés kategóriákban. Ez a tendencia jól tükrözi a válság természetét: az árak mozgását elsősorban a külső sokkok és a bizonytalan fogyasztói reakciók vezérelték, nem pedig a szokásos gazdasági ciklusok. Az algoritmusok ilyenkor nehezebben találják meg a múltbeli mintákhoz hasonló viselkedést, mert az új környezetben az árak hirtelen, egymással összefüggő módon változnak. A pénzügyi szektor instabilitása, a munkanélküliség növekedése és a kereslet visszaesése mind hozzájárult ahhoz, hogy az inflációt mozgató tényezők átmenetileg kiszámíthatatlanná váljanak.

A vizsgálati módszerek között egyaránt helyet kaptak

• a hagyományos gépi tanulási (Random Forest és Suppor Vector Machine) és
• mély tanulási (RNN-Recurrent Neural Network, LSTM-Long Short-term Memory, GRU-Gated Recurrent Unit) modellek.

Az eredmények alapján megállapítható, hogy

a mély neurális hálózati algoritmusok következetesen jobban teljesítettek, mint a hagyományos gépi tanulási megközelítések.

A különbség a válságok idején mutatkozott meg igazán, amikor a gazdasági folyamatok hirtelen és kiszámíthatatlanul változtak. A legjobb modellek azonban ekkor is képesek voltak megbízható előrejelzéseket adni. A neurális hálók a nemlineáris mintákat is felismerik, vagyis nem csak az egyenes trendeket látják, többek között ez teszi őket ellenállóbbá a váratlan sokkokkal szemben.

Az infláció nem homogén jelenség

A kutatás nemcsak az átlagos pontosságot vizsgálta, hanem azt is, mely inflációs kategóriák viselkednek a legkiszámíthatóbban, így a kutatási eredmények alátámasztják azt, hogy:

• az egészségügy- és oktatás altípusok stabilan és jól modellezhetők voltak,
• a vendéglátás, szórakozás és kultúra viszont kifejezetten nehéz terepnek bizonyult – ezekben az ágazatokban a járvány, a turizmus visszaesése vagy az energiaválság hatásai kiszámíthatatlanabbá tették az ármozgásokat,
• a közlekedés és a lakhatás területén pedig az energiaárak okozta sokkok torzították a modellek pontosságát.

A kutatás jobb megértéséhez és a modellek mélyebb értelmezéséhez két további mutatót is alkalmaztunk:

• a Forecastability Indexet (FI) – amely azt méri, mely kategóriák előrejelezhetők a legpontosabban;
• és az IQR-mutatót (Interquartile Range), amely azt mutatja, mennyire stabilak a különböző modellek eredményei.

A rangsor kimutatta: az infláció nem egy egységes „kupac”, hanem sok különálló mechanizmusból áll össze.

Ezért fontos, hogy a döntéshozók ne pusztán az összinflációra figyeljenek, hanem arra is, mely komponens merre mozog, különben a beavatkozás félrecsúszhat.

A modellek teljesítménye jól követte a gazdasági ciklusokat. 2016-ban, a nyugodt, alacsony inflációs időszakban az algoritmusok kiemelkedően pontosan dolgoztak.

A stabil gazdasági környezetben a fogyasztói árak előrejelezhetősége javult – különösen a kommunikáció és a kulturális szolgáltatások esetében mutatkozott nagyobb kiszámíthatóság. 2016-ra az eurózóna gazdasága visszatért a válság előtti stabilitáshoz, az infláció alacsony és kiszámítható volt. A gépi tanulási modellek ilyenkor kimagasló pontossággal tudnak dolgozni, mivel a gazdasági viszonyok lassan és fokozatosan változnak. Érdekes módon a kommunikációs szolgáltatások és a szabadidős tevékenységek árai mutatták a legstabilabb mintázatot, ez részben az árverseny és a technológiai fejlődés hatásának köszönhető. A 2016-os adatok tehát azt mutatják, hogy a mesterséges intelligencia leginkább „békeidőkben” képes kihozni magából a legtöbbet, míg 2009-ben és 2023-ban, azaz a válságos években, az előrejelzések pontossága jelentősen csökkent.

2023-ban az egészségügyi, valamint az alkoholos italok és vegyes szolgáltatások kategóriái voltak a legnehezebben modellezhetők, ami jól tükrözi a háborús és energiapiaci sokkok hatását. A 2023-as helyzet már egy egészen más típusú kihívást jelentett. Az energiaválság, az ellátási láncok akadozása és a háborús bizonytalanság olyan tényezőket vitt be a rendszerbe, amelyekre a modellek korábbi tapasztalataiból nem tudtak felkészülni. Az egészségügy és a szolgáltatások árainak kiszámíthatatlansága részben abból fakadt, hogy ezek a szektorok egyszerre reagáltak munkaerőpiaci, költség- és keresleti sokkokra.

Az eredmények tehát arra figyelmeztetnek, hogy a gazdasági előrejelzések megbízhatósága nemcsak a modellek fejlettségén, hanem a külső környezet stabilitásán is múlik. Ez azonban természetes folyamatnak tekinthető, mivel a hirtelen gazdasági fordulatok, reszimváltások még a legjobban működő modellek számára is kihívást jelentenek a dinamikusan változó mintázatok miatt. A bizonytalanság tehát nem a gépi tanulás gyengesége, hanem a világ változékonyságának tükre.

Miért fontos mindez a döntéshozóknak?

Az infláció nemcsak a pénztárcánkat érinti, hanem a gazdaságpolitikát is. A jegybankok kamatdöntései, a kormányok költségvetési intézkedései vagy akár a vállalatok bér- és árazási politikája mind az inflációs várakozásokon alapulnak. Ha pedig az előrejelzések pontosabbak, akkor a monetáris politika időben reagálhat, a költségvetés elkerülheti a túlfűtöttséget és a vállalatok is jobban tudnak tervezni. A tanulmány üzenete tehát világos:

a mesterséges intelligencia nem helyettesíti a közgazdászokat, hanem segíti őket abban, hogy pontosabb, adatvezérelt képet kapjanak az árak dinamikájának alakulásáról.

A további kutatásoknak jó alapja lehet, hogy ha a modellekbe aktuális makrogazdasági és geopolitikai adatokat is integrálunk (például energiaárakat, ellátási láncokat, háborús kockázatokat), ezzel az AI nemcsak a távolabbi múltból tanulna, hanem a jelen eseményeit is valós időben értelmezné. Ez hosszabb távon akár egy új inflációs kor hajnala is lehet, ahol az előrejelzések nem hónapokkal később, hanem szinte azonnal követik a gazdasági változásokat.

A cikk a szerzők véleményét tükrözi, amely nem feltétlenül esik egybe a Portfolio szerkesztőségének álláspontjával.

A címlapkép illusztráció. Címlapkép forrása: Portfolio