Оценка влияния новостного фона в СМИ на уровень инфляции в России

Раздел: Социология журналистики

В условиях нарастания информационных потоков, влияния медиа на общественные настроения новостной фон, как ключевой элемент медиаинформации, напрямую влияет на экономические решения, а анализ его динамики в реальном времени может существенно повысить точность экономических прогнозов и моделей. В статье представлены результаты изучения воздействия новостного фона, содержащегося в публикациях СМИ, на уровень цен и инфляции. Методический инструментарий, предложенный авторами, позволяет не только анализировать инфляционные процессы, но и прогнозировать их динамику с учетом медийного контекста. Обработка содержания 147 тыс. статей позволила отобрать 3,5 тыс. новостей об инфляции и ценах, разделив их на «проинфляционные» и «дезинфляционные». Для формирования тренировочной и тестовой выборок реализовано подключение к нейронной сети “GigaChat”. Моделирование инфляционной тональности размеченных новостей осуществлено посредством предобработки методом TF-IDF и применения логистической регрессии, наивного байесовского классификатора, Random Forest и CatBoost, а также путем дообучения (finetuning) нейронных сетей на архитектуре BERT. Методическую основу исследования составили методы парсинга html-сайтов, обработки естественного языка (NLP), архитектуры глубоких нейронных сетей. В результате построен индекс инфляционного фона, содержащийся в публикациях российских СМИ, с высокой точностью описывающий «шоковые» события и позволяющий прогнозировать уровень инфляции. Полученные данные могут быть использованы для более точной настройки экономических моделей и создания инструментов прогнозирования, что подчеркивает значимость медийного контента в оценке экономической ситуации.

Повсеместное распространение интернета расширяет доступ к данным, сайтам информационных агентств, новостным лентам, социальным сетям. При этом значительная часть информации представлена в неструктурированном виде, что существенно затрудняет ее интерпретацию и дальнейшее использование. Однако по мере развития искусственного интеллекта появились методы обработки естественного языка: речь идет уже не о восприятии текста на основе отдельных, не связанных между собой слов, а о понимании его в контексте. Обработка естественного языка (Natural Language Processing, NLP) ложится на искусственный интеллект и фокусируется на возможности компьютеров читать, понимать и извлекать смысл из человеческих слов².

При этом анализ текстов, с точки зрения их влияния на предпочтения потребителей товаров и услуг, представлен в меньших объемах. Обычно для этого используются «классические» подходы на основе оценки частоты упоминаний слов в массивах текстовых документов. Более того, целенаправленных мероприятий по оцифровке новостного фона с позиции его влияния на уровень цен в российских СМИ и вовсе не проводилось, несмотря на то что крупные издательства традиционно публикуют большой объем аналитического материала, связанного с ростом цен на товары и услуги и уровнем инфляционных ожиданий. С практической точки зрения, подобные публикации важны, поскольку содержат результаты уже проведенного группой экспертов анализа, т. е. полезные паттерны.

Так, СМИ во многом способствуют созданию общественного мнения, влияя на восприятие гражданами уровня инфляции и экономической нестабильности. Часто новости, связанные с ростом цен на товары и услуги, а также колебаниями валютного курса, становятся основными индикаторами экономической ситуации для широкой аудитории. Публикации в российских СМИ формируют инфляционные ожидания, что, в свою очередь, может сказываться на поведении потребителей и предпринимателей.

Кроме того, материалы российских медиа служат важным источником информации для исследования влияния информационного фона на экономику. Инфляционные процессы часто интерпре тируются через призму внешних факторов, таких как санкции, изменение цен на нефть или глобальные экономические кризисы, а также внутренних проблем, как, например, рост государственного долга или дефекты в управлении экономикой. Публикации, освещающие эти темы, могут влиять на общественные ожидания, создавая позитивный или негативный настрой, который отражается на экономических решениях – от потребительских расходов до инвестиционных стратегий.

Таким образом, тщательное изучение новостных материалов, посвященных инфляции, позволяет не только понять текущую ситуацию в экономике, но и предсказать возможные тренды. Подобный подход помогает не только в научных исследованиях, но и в практической работе государственных органов, финансовых аналитиков и экономистов, стремящихся минимизировать риски и управлять инфляционными процессами с учетом общественного восприятия и настроений.

В рамках исследования был проведен углубленный анализ способов обработки текстовой информации на основе новостных сообщений о темпах роста цен и уровне инфляции, а также разработаны методические рекомендации по оценке инфляционного фона в публикациях отечественных СМИ с позиции его практической значимости при прогнозировании динамики потребительских цен.

Для реализации программы исследования потребовалось сформировать массив эмпирических данных, провести текстовый анализ посредством дообучения (fine-tuning) предобученных нейронных сетей наряду с использованием классических алгоритмов NLP, рассчитать индекс новостного фона в публикациях российских СМИ и на этой основе осуществить моделирование инфляции.

Значительное внимание в России и мире традиционно уделяется новостям об экономической ситуации. Актуальным становится проведение исследований по оценке влияния прессы на макроэкономические показатели. Подходы к анализу и обработке текста в большинстве случаев имеют схожий характер. Поэтому область NLP в условиях развития технологий вызывает повышенный интерес.

Так, К. В. Яковлева (2018: 29) для оценки динамики экономической активности в России предложила методику расчета высокочастотного индикатора, использовав более 59 тыс. статей ряда крупных федеральных СМИ. Все тексты прошли предварительную предобработку: токенизицию и лемматизацию³. Семантическое моделирование осуществлено с использованием метода опорных векторов (Support Vector Machine, SVM). Тренировочная выборка размечена авторами вручную.

Аналогичный подход при расчете новостного индекса применяет и Банк России (Селезнев, Шибитов, Яковлева, Власов и др., 2021). Методика регулятора также основана на определении частотности вхождения слов в тексты новостей. На первом этапе используется модель, автоматически выделяющая темы, из которых по ключевым словам выделяется одна, максимально покрывающая тематику. Затем для каждой новости на основе обученной модели выявляется релевантность и тональность путем определения баланса слов с положительной и отрицательной коннотацией. Для этого  применяются методы латентного распределения Дирихле (LDA) и модифицированный стохастический алгоритм, сглаживающий неравномерное распределение количества новостей по источникам.

А. Г. Евстигнеева и Д. А. Карпов (2023) исследовали влияние новостей на формирование инфляционных ожиданий населения. После токенизации и лемматизации слов в текстах новостей авторы применили численные метрики: TF-IDF⁴ и Count Vectorizer. Тематическая классификация проведена на основе латентного распределения Дирихле (LDA), метода опорных векторов (SVM), случайного леса (Random Forest) и градиентного бустинга (XGBoost). Для обучения авторы сформировали выборку из 100 тыс. новостей по 25 источникам, представленным в равных долях. При этом для выделения негативных новостей специалисты также применили LDA: этот алгоритм требует на вход список экспертно выбранных якорных токенов, описывающих тему. В качестве токенов авторы использовали соответствующие варианты ответов из опроса ВЦИОМ и их синонимы.

Е. А. Федорова и Л. Е. Хрустова (2023: 2427) исследовали влияние новостей о COVID-19, публикуемых в официальных источниках и социальных сетях, на российский фондовый рынок. Для оценки тональности авторы использовали «мешок слов»⁵ с применением словаря EcSentiThemeLex в среде R. Авторами сформированы подвыборки слов, которые относятся исключительно к негативному или позитивному фону.

Коллектив авторов МГУ имени М. В. Ломоносова (Гаврилов, Иванов, Клачкова, Королев и др., 2022: 98) моделировал влияние новостных потоков на волатильность доходности ценных бумаг на российском фондовом рынке с помощью моделей авторегрессионной гетероскедастичности, учитывающих поступающие на рынок тематические новостные потоки. Для обработки текстовой информации они также использовали «мешок слов», удалив из набора текстов стоп-слова и проведя лемматизацию. Важность слов также определялась методом TF-IDF.

Достоинством рассмотренных подходов является простота реализации на практике и «мягкие» требования к вычислительным мощностям компьютера. Главным же недостатком видится тот факт, что подобные модели основаны на подсчете лишь частоты упоминаний слов в массивах текстов. При этом совершенно не учитывается контекст, который может диаметрально изменить тональность текста.

В этой связи популярность в последние 5 лет получили подходы к анализу текста по контексту, что стало возможным благодаря развитию нейросетевых моделей решения задач NLP, а именно трансформеров⁶. Основное преимущество трансформеров заключается в их высокой эффективности в условиях параллелизации. 

Большинство имеющихся моделей являются мультиязычными, т. е. работают на нескольких языках.  В части из них хорошо представлен и русский язык. Это, например, mBERT(Devlin, Chang, Lee, Toutanova, 2019: 4177), XLM-R (Conneau, Wu, Zettlemoyer, Stoyanov, 2020: 6028), RemBERT (Chung, Fevry, Tsai, Johnson et al., 2021), mGPT (Shliazhko, Fenogenova, Tikhonova, Mikhailov et al., 2022). При этом в последние годы стали развиваться моноязыковые модели (Williams, Nangia, Bowman, 2017), в том числе и для русского языка, однако на сегодняшний день их немного.

Одну из первых моноязыковых моделей для русского языка разработал коллектив авторов из МФТИ⁷. Чуть позже аналогичный проект в открытом доступе разместил Сбер. Оба подхода основаны на архитектуре BERT⁸ и обучены на текстах русскоязычной Wikipedia, новостных статьях ряда российских СМИ, массиве книг, текстов социальных сетей и др.

Важно отметить, что в ходе исследования способов анализа русскоязычного текста выявлена существенная проблема – сложность формирования размеченной обучающей выборки. В интернете уже присутствуют размеченные наборы текстов, например корпус новостей из «Лента.ру», размещенный на портале Kaggle⁹. 

Однако применимы они преимущественно для задач, связанных с определением тематики текста, поскольку оценивают новости в целом, разделяя их на «позитивные», «негативные» или «нейтральные». В случае с анализом новостей об инфляции и ценах такой подход не оправдан, так как наличие слов «снижение»/«уменьшение» обычно оценивается негативно, тогда как в случае с инфляцией – это, скорее, позитивная тональность.

При этом тональность СМИ практически не используется при моделировании инфляционных процессов. Для прогнозирования годовых темпов инфляции инструментами Machine learning У. Джункеев (2024: 59) использовал модели градиентного бустинга, решающих деревьев, сверточную и рекурентную нейронные сети (CNN, RNN). В качестве факторов автор использовал уровень безработицы, номинальную заработную плату, объем платных услуг населению, оборот розничной торговли, объемы кредитования частного сектора, денежные агрегаты, доходность гособлигаций. Тренировочная выборка включала данные за период с января 2012 по июль 2019 г., тестовая – с августа 2019 по апрель 2023 г. Аналогичного подхода придерживались Е. Павлов (2020: 64) и И. Байбуза (2018: 50).

Для целей настоящего исследования мы посчитали нецелесообразным применение нейронных сетей ввиду недостаточного количества точек для качественного обучения модели, даже на нескольких эпохах. На основе исследования (Choi, Bahadori, Schuetz, Stewart et al., 2016: 306) можно сделать вывод, что для достижения хорошей производительности RNN требуется минимум 1000–2000 наблюдений: их число зависит от сложности задачи и специфики данных; на практике зачастую выстраиваются более длинные ряды – от 5000 наблюдений.

В этой связи в настоящем исследовании предпринята попытка применения современных алгоритмов обработки и классификации естественного языка на основе fine-tuning моделей трансформеров с дообучением на самостоятельно размеченном наборе данных в сравнении с «классическими» подходами NLP. Размеченные новости использованы при прогнозировании индекса потребительских цен (ИПЦ) классическими подходами (линейными методами) и методами машинного обучения (градиентным бустингом и решающими деревьями), набирающими популярность в последние годы.

С методологических позиций исследование предполагало решение двух блоков задач: классификацию новостей и расчет индекса инфляционного фона. Для этого нами были реализованы следующие этапы:

1. Сбор и фильтрация новостей, соотносящихся с темой инфляции/цен.

После формирования коллекции текстов в выгруженном массиве информации необходимо выделить новости о ценах и инфляционных процессах. В рамках настоящего исследования использован готовый алгоритм классификации, основанный на применении обученной языковой модели, не требующий дополнительной разметки данных для обучения и существенно сокращающий временные и трудовые ресурсы. Модель под названием mDeBERTa-v3-base-xnli-multilingual-nli-2mil7 представила компания Microsoft (He, Gao, Chen, 2021). Эта мультиязычная модель позволяет в автоматическом режиме группировать входной текст по сформированным пользователями категориям. Обучающая выборка содержит более 2,7 млн пар гипотез-предпосылок на 27 языках.

2. Формирование обучающей выборки.

Оценка новостей с «дезинфляционной» и «проинфляционной» точек зрения является довольно специфической задачей. В исследовательской среде отсутствуют размеченные текстовые данные, классифицированные с позиции изменения цен. В этой связи нами проведена собственная разметка данных для последующего моделирования¹⁰. Для этих целей использована нейронная сеть GigaChat. 

3. Семантическое моделирование «классическими» подходами.

Использованные на данном этапе методы представлены в таблице 1.

4. Fine-tuning предобученных моделей.

В этом разделе рассмотрена предобученная модель BERT¹³ – большая языковая модель, разработанная коллективом авторов из Google (Devlin, Chang, Lee, Toutanova, 2019: 4178). Она предназначена для задач обработки естественного языка. Данная архитектура лежит в основе русскоязычных моделей Сбера и МФТИ.

Реализацию BERT разработчики представили в два шага: pretraining и fine-tuning. Во время pre-training модель обучается на неразмеченных данных на задачах предварительной обработки. При этом для fine-tuning BERTинициализируется с предобученными параметрами. Все предобученные параметры дообучаются на основе уже размеченных данных, подготовленных специально для решения конкретной задачи NLP. 

Модель BERT представляет собой двунаправленную модель Transformer. Но, в отличие от классических моделей такого типа, имеет только Encoder. Данные, подающиеся в Encoder, представляют собой последовательность токенов, которые сначала конвертируются в векторы, а затем обрабатываются нейронной сетью. Для векторного представления слов авторы используют эмбеддинг WordPiece (Wu et al., 2016) с размером словаря в 30 тыс. токенов. 

Перед вводом текстовой последовательности в BERT, как правило, 15% слов в каждой последовательности заменяется токеном [MASK] (Sinha, Jia, Hupkes, Pineau et al., 2021; Sun, Zheng, Hao, Qiu, 2022). Затем модель пытается предсказать исходное значение замаскированных слов на основе контекста, предоставляем ого другими, не замаскированными словами в последовательности. Этот метод позволяет проводить двунаправленное обучение в моделях, для которых ранее это было невозможно.

Идея fine-tuning строится на том, что матрицы весов, полученные на решении общих задач, помогают лучше решать новые, более узкие задания (Howard, Ruder, 2018: 332). Иными словами, это процесс адаптации предобученной модели под конкретную задачу. Вместо обучения с нуля, нами использована готовая модель, в которой частично или полностью заморожены слои и проведено дообучение на новых данных. Fine-tuning в BERTосуществляется путем дополнительной тренировки модели на наборе данных, размеченных для узкоспециализированной задачи. Это позволяет адаптировать модель к определенным языковым особенностям реализации проектов, например семантической окраске текста (Sun, Zheng, Hao, Qiu, 2022). 

5. Формирование метрик качества моделей классификации текстов.

Оценка качества прогноза на тестовой выборке осуществляется метрикам F1-score и ROC-AUC. F1-score можно интерпретировать как среднее гармоническое значение точности и запоминания, при котором показатель F1достигает своего наилучшего значения при 1, а наихудшего – при 0. Формула для определения показателя F1 имеет следующий вид (Christopher, Raghavan, Schütze, 2008):

Идея метрики ROC-AUC под кривой ошибок (Receiver Operating Characteristic curve Area Under Curve) состоит в том, что на построенном графике каждая отмеченная точка соответствует выбору определенного порога (Fawcett, 2006: 868), а площадь¹⁴ ROC-AUC показывает качество построенного алгоритма. При этом важность представляет и угол наклона кривой ошибок: она должна стремиться к максимальным значениям TPR и минимальным FPR, т. е. к точке с координатами (0, 1) ¹⁵.

С целью определения степени и направления влияния используемых в модели слов (фрагментов текста) на эндогенную переменную нами применен алгоритм Шепли (Shapley Values), основанный на концепции коалиционных игр (Valouet, Al-Memar, Fourie, Bobdiwala et al., 2022: 106520) и позволяющий оценить вклад каждого параметра в принятие решения:

Классификация новостей на «проинфляционные» и «дезинфляционные»

Поскольку формирование коллекции новостных статей и ее преобразование в необходимую форму – трудоемкий про цесс, с целью его автоматизации нами применена процедура Web Scrapping. В качестве источника новостей выбраны разделы «Экономика», «Политика», «Бизнес», «Финансы» и «Потребительский рынок» российской ежедневной общественно-политиче ской газеты с усиленным деловым блоком «К оммерсантъ»¹⁶. Несмотря на то что независимость и редакционная политика СМИ время от времени вызыва ют дискуссии, в рамках исследования будем считать обработанные нами текстовые материалы непредвзятыми.

Следующим этапом стал отбор новостей об инфляции и ценах на промежутке с января 2014 по январь 2024 г. Для этого использована предобученная нейронная сеть mDeBERTa-v3-base-xnli-multilingual-nli-2mil7 от Microsoft. Для классификации на вход модели переданы 2 класса: «инфляция и цены» и «не инфляция и цены». 

В результате применения нейронной сети от Microsoft из 150 тыс. статей отобраны 14,3 тыс. текстов об инфляции. В итоге по лучена таблица из новостей, классифицируемых на «проинфляционные» (метка «0») и «дезинфляционные» (метка «1»). Отметим, что для устранения дисбаланса классов размеченные выборки с проинфляционными и дезинфляционными новостями были скоррект ированы до примерно одинакового размера – 1643 ед. и 1621 ед. соответственно.

Первоначально размеченная коллекция текстов разделена на тренировочную и тестовую выборки в пропорции 80% к 20%. При этом тестовая не была задействована в обучении моделей и предназначена исключительно для оценки их качества. 

На первом этапе моделирования применены классические алгоритмы, для чего текст предварительно обработан: 1) токенизирован; 2) удалены стоп-слова (частицы, предлоги и т. д.); 3) лемматизирован¹⁷. После преобразований текст имеет следующий вид (см. табл. 2).

Далее предобработанные новости были оцифрованы. Для этого применен метод TF-IDF. Он вычисляет важность каждого слова в документе относительно количества его употреблений в данном документе и во всей коллекции текс тов¹⁸.

Все модели реализованы на языке программирования Python с использованием библиотек  CatBoost и Sklearn. Оценка качества модели в целом, без привязки к конкретному порогу, проведена путем анализа F1-score и ROC-AUC площади под кривой ошибок. Матрицы ошибок для каждой из шести моделей представлены на рисунке 1, показатели ROC-AUC – на рисунке 2.

Так, согласно проведенным расчетам, наилучшие результаты из классических моделей показывает CatBoost с F1-score, равным 0,77, ROC-AUC – 0,83. На рисунке 3 представлены слова, которые увеличивают вероятность классификации новости в категории «проинфляционные» и «дезинфляционные» для лучшей модели из к лассического набора. Для этого нами применен алгоритм Shapl ey Value. 

Так, текст, содержащий слова «сокращение», «Украина», «страна», «проблема», «сокращаться», «санкция», «падение», «упасть», «следовать», «экономика», «проводить», «снижаться», ув еличивают вероятность того, что он является проинфляционным. При этом такие слова, как «позволять», «должный», «поддержка», «обеспечивать», « способствовать», «проект», «рынок», «наращивать», больше свойственны дезинфляционным текстам.

Как говорилось ранее, в исследовании доо бучены 2 модели, предобученные на русскоязычных текстах: модель от МФТИ DeepPavlov/rubert-bas e-cased и модель от Сбера ai-forever/ruBert-base.

Все модели реализованы на языке программирования Python с использованием библиотек PyTorch и Transformers.

 Важно отметить, что дообучаются такие модели гораздо дольше, чем обучаются классические алгоритмы. Но ни зкая скорость обучения сопровождается более высокими прогнозными свойствами. Так, F1-score в модели МФТИ составил 0,81, в модели Сбера – 0,85, что выше показателей CatBoost (0,77). 

Как показывают результаты применения модели на тестовой выборке, более качественные прогнозы позволяет сделать модель ai-forever/ruBert-base. Важным отличием применения предобученных нейросетей является оценка текста по контексту, а не по отдельным словам, как в случае с классическими моделями. Алгоритм Shap Valueтакже позволяет выделять части текста, по которым модель делала предсказание. Прогноз составлен относительно проиинфляционных новостей (метка «0»). Выделение частей текста разными цветами позволяет отметить «проинфляционные» и «дезинфляционные» слова.На рисунке 4 представлена проинфляционная новость. 

Так, серым оттенком выделены части текста «<…> этот процесс будет сопровождаться повышением инфляции <…>» и т. д. Особенно негативно моделью оценивается слово «ухудшается».

На рисунке 5 приведена дезинфляционная новость, в которой присутствует проинфляционный контент. 

Можно заметить, что текст преимущественно повествует об уменьшении инфляции. Но присутствует и негативный контент. Так, проинфляционным моментом в тексте модель определила сохранение ряда инфляционных рисков, связанных с медленным «снижением инфляционных ожиданий и неопределенностью параметров государственного бюджета». 

На рисунке 6 представлен полностью  дезинфляционный текст. 

В данном случае весь текст окрашен серым цветом, а наиболее ключевые моменты согласно модели – темно-серым.

Расчет индекса инфляционного фона

Для расчета индекса инфляционного фона использована формула 9:

Важно отметить, что для расчета индекса  использованы только «строго проинфляционные» и «строго дезинфляционные » новости, оцененные по модели Сбера ai-forever/ruBert-base, т. е. те, в которых вероятность отнесения к определенному классу больше 70%. Остальные определены как нейтральные.

Все новости были сведены к месячному виду. Динамика рассчитанного индекса и индекса с учетом сезонной корректировки (Index_SA) представлена на рисунке 7.

Так, построенный индекс отражает реакцию общества на события, происходившие в тот или иной период: они указаны в прямоугольниках. Например, с 2017 по 2019 г. можно заметить его положительное значение. В эти годы инфляция наблюдалась вблизи целевого значения, определенного Банком России (4%). В период локдауна в связи с COVID-19 новостной фон был отрицательным, цены росли. Затем отмечаем этап восстановления экономики вплоть до начала 2022 г. и последовательный переход к эффекту высокой базы – ситуации, когда низкие темпы роста индикатора объясняются его крайне высоким стартовым показателем. 

В дальнейшем исследован ии использована трендовая компонента, для ее вычленения применен фильтр Ходрика-Прескотта из модуля Statsmodels. Она обладает меньшей волатильностью и лучше коррелирует с темпами годовой инфляции.

Уровень корреляции между трендом индекса новостного фона с лагом в 1 месяц и инфляцией в годовом выражении составляет 0,71, что свидетельствует о ее высоком уровне. Следовательно, данный показатель можно использовать для прогноза инфляционных проц ессов. 

Результаты моделирования

Практическое применение предложенного подхода к расчету индекса инфляционного фона для прогнозирования уровня инфляции потребовало построения шести моделей: трех моделей, включающих индекс в качестве регрессора, и трех моделей без него – линейной модели множественной регрессии Linear Regression, градиентного бустинга CatBoostRegressor, модели случайного леса Random Forest Regressor.

Отметим, что CatBoost и Random Forest имеют ряд гиперпараметров. Они управляют процессом обучения и могут значительно влиять на качество модели. Это, например, количество итераций (деревьев), глубина деревьев, шаг обучения (скорость, с которой модель обновляет веса) и т. д. Для автоматического перебора комбинаций гиперпараметров моделей мы использовали GridSearchCV из модуля SkLearn с кросс-валидацией на 5 фолдах (частях выборки). В качестве метрики выбрана MAE.

В процессе подбора экзогенных переменных мы учитывали тот факт, что Росстат публикует данные макроэкономической статистики (индексы промышленного производства, оборот розничной торговли и др.) с задержкой минимум в 1 месяц, что существенно затрудняет их использование при моделировании инфляции. Для этого необходим лаг минимум в 2 месяца (для фактических значений), что далеко не всегда обосновано с точки зрения экономической логики. В этой связи для прогнозирования нами использованы оперативные данные, публикуемые раньше официального ИПЦ: курс рубля по отношению к доллару с лагом в 1 месяц²² (публикуется ежедневно Банком России); ценовые ожидания предприятий с лагом в 1 месяц (публикуются Банком России за месяц до объявления ИПЦ и содержат предвидения представителей бизнеса на несколько месяцев вперед); инфляционные ожидания населения с лагом в 1 месяц (публикуются Банком России за месяц до объявления ИПЦ и содержат предсказания населения на несколько месяцев вперед), а также предложенный нами индекс инфляционного фона с лагом в 1 месяц, который может рассчитываться ежедневно.

Выборка разделена на тренировочную и тестовую. В тренировочную включены данные за период с января 2014 по сентябрь 2022 г., в тестовую – с октября 2022 по март 2024 г.

За тем описывающие переменные в каждой выборке распределены в две группы: категориальные (номинативные) и непрерывные, после чего проведена их стандартизация – масштабирование путем преобразования статистического распределения в форма т со средним значением, равным нулю, и стандартным отклонением, равным единице по формуле:

В качестве метрик использованы RMSE (Root Mean Squared Error) и MAE (Mean absolute error), рассчитанные по формулам 11 и 12:   

Целью прогноза для использования его результатов Банком России является получени е предсказательных данных на горизонте в 1 месяц²³. В исследовании мы представили тестовую выборку, увеличенную до 18 месяцев. Выбор периода обусловлен включени ем в него месяцев с высоким уровнем волатильности инфляции, что позволяет оценить работоспособность алгоритмов моделирования на «шоковых» периодах. Уравнение регрессии для индекса потребительских цен в модели линейной множественной регрессии выглядит следующим образом:

На рисунке 8 приведены результаты прогнозирования на горизонте в 18 месяцев.

В целом проведенный эксперимент позволяет сделать вывод, что добавление тренда индекса инфляционного фона в многофакторные модели способствует повышению их прогнозных свойств. Об этом свидетельствуют полученные метрики качества моделей на тестовой выборке (таблица 3). Так, добавление рассчитанного индекса позволило снизить как MAE, так и RMSE во всех тестируемых моделях в среднем на 1,23 и 0,98 соответственно. Тест ДиболдаМариано подтверждает, что разница в ошибках прогнозирования существенна, т. е. модели с добавлением нового показателя формируют лучший прогноз. Полученные результаты могут лечь в основу совершенствования методов прогнозирования макроэкономических показателей.

В качестве возможных направлений дальнейшего совершенствования проведенного исследования в практических целях видится расширение перечня новостных источников через использование RSS-каналов²⁴. Они стабильно обновляются крупнейшими федеральными СМИ и содержат сводку новостей за 3–7 последних дней в удобном для парсинга формате XML, но часто перезаписываются (раз в 3–7 дней). Данный подход позволит охватывать более широкую новостную ленту и точнее оценивать инфляционный фон в медийном пространстве. Также перспективным видится добавление комментариев пользователей из социальных сетей Telegram, ВКонтакте, Яндекс.Дзен и др. Однако для реализации такого подхода необходимо решить глобальную задачу – фильтрацию и отсеивание токсичных текстов (спама), чего нет в сообщениях официальных СМИ.

Заключение

В работе представлена методика расчета индекса инфляционного фона, информация о котором взята из российских СМИ. Проведенные расчеты показали, что автоматизированная оценка текстовой информации новостных агентств является важным аналитическим инструментом и может быть использована в процессе моделирования не только уровня инфляции, но и других макроэкономических показателей.

Реализованные подходы позволяют в автоматическом режиме формировать коллекцию новостных статей, отбирать тексты, тематически относящиеся к инфляции и ценам, классифицировать их на дезинфляционные и проинфляционные. Для этих целей предложено использование предобученных моделей-трансформеров. Их апробация показала значительное превосходство с точки зрения точности в сравнении с «классическими» алгоритмами.

Построенный индекс инфляционного фона с высокой долей вероятности сигнализирует о значимых «шоках» в экономике страны. Кроме того, его включение в модели прогнозирования инфляции способствовало улучшению прогнозных свойств каждой из них по двум метрикам качества (RMSE и MAE). Это позволяет сделать вывод о том, что новостные данные обладают достаточной прогнозной силой. Их учет позволит в перспективе оперативно реагировать на текущую экономическую ситуацию и принимать соответствующие решения.

Примечания

¹ Настоящая статья отражает личную позицию авторов. Содержание и резуль-таты данного исследования не следует рассматривать, в том числе цитировать, в каких-либо изданиях, как официальную позицию Банка России или указание на официальную политику или решение регулятора.

² Ваш путеводитель по миру NLP (обработке естественного языка) // Хабр. 2023. Режим доступа: https://habr.com/ru/companies/otus/articles/705482/ (дата обращения: 03.03.2024).

³ Токенизация – процесс разбиения текста на более мелкие части, такие как слова или предложения. Лемматизация – процесс приведения словоформы к лемме – ее нормальной (словарной) форме.

⁴ TF-IDF – статистическая мера, используемая для оценки важности слова в контексте документа, являющегося частью коллекции документов или корпуса.

⁵ «Мешок слов» – это упрощенное представление текста, которое использует-ся в обработке естественных языков и информационном поиске. В этой модели текст (одно предложение или весь документ) представляется в виде мешка (мультимножества) его слов без какого-либо учета грамматики и порядка слов, но с сохранением информации об их количестве. Мешок слов обычно используется в методах классификации документов, где частотность вхождения слова используется как признак для обучения классификатора.

⁶ Трансформер – архитектура глубоких нейронных сетей, основанная на меха-низме внимания (Attention). Впервые модель трансформера была предложена в статье Attention is All You Need от разработчиков Google в 2017 г. (Vaswani, Shazeer, Parmar, Uszkoreit et al., 2017)

⁷ Куратов Ю. М., Игнатов Ф. В., Корнев Д. П., Чепурова А. А. Прорывы #DeepPavlov в 2019 году: обзор и итоги года // Хабр. 2019. Режим доступа:  https:// habr.com/ru/companies/mipt/articles/488818/ (дата обращения: 03.03.2024).

⁸ Аверкиев С. Это не чат, это GigaChat. Русскоязычная ChatGTP от Сбера // Хабр. 2023. Режим доступа: https://habr.com/ru/companies/sberbank/articles/730108/

⁹ Амиргалиев Б., Тен Х. Анализ настроений на русском языке // Кэггл. 2017. Режим доступа: https://kaggle.com/competitions/sentiment-anaлиз-in-russian (дата обращения: 03.03.2024).

¹⁰ В крупных IT-компаниях такую задачу решает отдельно выделенная команда специалистов. Услуги разметки данных также оказывают сторонние организации. Но эти способы не подходят для текущего исследования ввиду высокой стоимости или отсутствия необходимого числа разметчиков данных.

¹¹ Gaussian Naive Bayes (GaussianNB). Scikit-learn.  Available at: https://scikitlearn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html (accessed: 03.03.2024).

¹² Натекин А. Открытый курс машинного обучения. Градиентный бустинг // Хабр. 2017. Режим доступа: https://habr.com/ru/companies/ods/articles/327250/ (дата обращения: 03.03.2024).

¹³ BERT – Bidirection Encoder Representations from Transformers (с англ. – двунаправленная нейронная сеть-кодировщик).

¹⁴ Линии в диапазоне от (0,0) до (1,1) в координатах True Positive Rate (TPR) и False Positive Rate (FPR).

¹⁵ Лабынцев Е. Метрики в задачах машинного обучения // Хабр. 2017. Режим доступа: https://habr.com/ru/companies/ods/articles/328372/ (дата обращения: 03.03.2024).

¹⁶ Предварительно мы изучили посещаемость федеральных новостных порта-лов (Лента, РИА Новости, Коммерсантъ, РБК, Известия, Интерфакс, Газета.ру и другие), рассмотрели их контент. Многие новости в них дублируются, новостные страницы имеют примерно одинаковое количество посещений. В этой связи мы остановили свой выбор на издании «Коммерсантъ», которое, помимо прочих равных условий, удобно для парсинга html-кода веб страниц.

¹⁷ При использовании «классических» алгоритмов для лемматизации текста использован модуль nltk (from nltk.stem import WordNetLemmatizer). Для моделейтрансформеров Сбер и МФТИ лемматизация не требовалась.

¹⁸ Извлечение признаков из текстовых данных с использованием TF-IDF // Хабр. Режим доступа: https://habr.com/ru/companies/otus/articles/755772/ (дата обращения: 03.03.2024).

¹⁹ True label – верные значения классов. Predicted label – предсказанные значения классов.

²⁰ True Positive Rate – истинно положительные предсказания модели. False Positive Rate – ложно положительные предсказания модели.

²¹ SA (seasonal adjustment) – сезонно-сглаженный ряд.

²² Лаги были определены на основе теста Грейнджера на причинность.

²³ Исходя из оптимальных лагов по тесту Грейнджера на причинность. 

²⁴ RSS (англ. Rich Site Summary – обогащенная сводка сайта) – семейство XMLформатов, предназначенных для описания лент новостей, анонсов статей, изменений в блогах и т. п.

Библиография

Байбуза И. Прогнозирование инфляции с помощью методов машинного обучения // Деньги и кредит. 2018. № 4. С. 42–59.

Гаврилов В., Иванов М. А., Клачкова О. А., Королев В. Ю. и др. Влияние тематических новостных потоков на компоненты волатильности фондового рынка России // Вестник Института экономики Российской академии наук. 2022. № 2. С. 93–109.

Джункеев У. Прогнозирование инфляции в России на основе градиентного бустинга и нейронных сетей // Деньги и кредит. 2024. № 1. С. 53–76.

Евстигнеева А. Г., Карпов Д. А. Влияние негативных новостей на восприятие инфляции населением // Доклады об экономических исследованиях. 2023. № 111. Режим доступа: https://cbr.ru/Content/Document/File/144918/wp_111.pdf  (дата обращения: 03.03.2024).

Павлов Е. Прогнозирование инфляции в России с помощью нейронных сетей // Деньги и кредит. 2020. №1. С. 57–73.

Селезнев С., Шибитов Д., Яковлева К., Власов С. и др.  Новая методология новостного индекса // Доклады об экономических исследованиях. 2021. Режим доступа: https://cbr.ru/Collection/Collection/File/35503/index_2107.pdf (дата обращения: 10.03.2024).

Федорова Е. А., Хрустова Л. Е. Влияние новостей о COVID-19 на динамику российского фондового рынка // Финансы и кредит. 2023. Т. 29. № 11. С. 2412–2438.

Яковлева К. В. Оценка экономической активности на основе текстового анализа // Деньги и кредит. 2018. Т. 77. № 4. С. 26–41.

Choi E., Bahadori M. T., Schuetz A., Stewart W. F., Sun J. (2016) Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. JMLR Workshop and Conference Proceedings 56: 301–318. DOI: 10.48550/arXiv.1511.05942 

Christopher D. M., Raghavan P., Schütze H. (2008) Introduction to information retrieval. Cambridge: Cambridge University Press. 482 p.

Chung H. W., Fevry T., Tsai H., Johnson M., Ruder S. (2021) Rethinking embedding coupling in pre-trained language models. International Conference on Learning Representations. Available at: https://arxiv.org/abs/2010.12821 (accessed: 10.03.2024).

Conneau A., Wu S., Li H., Zettlemoyer L., Stoyanov V. (2020) Emerging Cross-lingual Structure in Pretrained Language Models. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Рp. 6022–6034. DOI: 10.18653/v1/2020.acl-main.536 

Devlin J., Chang M., Lee K., Toutanova K. (2019) BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Volume 1 (Long and Short Papers). P. 4171–4186. DOI: 10.18653/v1/N19-1423.

Fawcett T. (2006) An introduction to ROC analysis. Pattern Recognition Letters 27 (8): 861–874.

He P., Gao J., Chen W. (2021) DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing. Arxiv. Available at: https://arxiv.org/pdf/2111.09543.pdf (accessed: 17.03.2024).

Howard J., Ruder S. (2018) Universal Language Model Fine-tuning for Text Classification. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. Melbourne, Australia: Association for Computational Linguistics. Рp. 328–339. DOI: 10.18653/v1/P18-1031.

Shliazhko O., Fenogenova A., Tikhonova M., Mikhailov V., Kozlova A., Shavrina T. (2022) mGPT: Few-Shot Learners Go Multilingual. Arxiv. Available at: https://arxiv.org/pdf/2204.07580.pdf (accessed: 17.03.2024).

Sinha K., Jia R., Hupkes D., Pineau J., Williams A., Kiela D. (2021) Masked Language Modeling and the Distributional Hypothesis: Order Word Matters Pre-training for Little. Available at: https://arxiv.org/pdf/2109.03564. pdf (accessed: 17.03.2024).

Sun Y., Zheng Y., Hao C., Qiu H. (2022) NSP-BERT: A Prompt-based Few-Shot Learner Through an Original Pre-training Task – Next Sentence Prediction. Arxiv. Available at: https://arxiv.org/pdf/2104.06644.pdf (accessed: 17.03.2024).

Valouet T., Al-Memar M., Fourie H., Bobdiwala S., Saso S., Pipi M., Stalder C., Bennett P., Timmerman D., Bourte T. and De Moor B. (2022) Gradient boosted trees with individual explanations: An alternative to logistic regression for predicting viability in the first trimester of pregnancy. Computer Methods and Programs in Biomedicine 213: 106520.

Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser L., Polosukhin I. (2017) Attention Is All You Need. Arxiv. Available at: https://arxiv.org/abs/1706.03762 (accessed: 17.03.2024).

Williams A., Nangia N., Bowman S. R. (2017) A Broad-Coverage Challenge Corpus for Sentence Understanding through Inference. Arxiv. DOI: 10.48550/arXiv.1704.05426 (accessed: 10.03.2024).

Wu Y., Schuster M., Chen Zh., Le Q. V., Norouzi M., Macherey W., Krikun M., Cao Yu., Gao Q., Macherey K., Klingner J., Shah A., Johnson M., Liu X., Kaiser L., Gouws S., Kato Y., Kudo T., Kazawa H., Stevens K., Kurian G., Patil N., Wang W., Young C., Smith J., Riesa J., Rudnick A., Vinyals O., Corrado G., Hughes M., Dean J. (2016) Google’s Neural Machine Translation System: Bridging the Gap between Human and Machine. Arxiv. Available at: https://arxiv.org/abs/1609.08144 (accessed: 14.03.2024).

Как цитировать: Метель Ю. А., Куницына Н. Н. Оценка влияния новостного фона в СМИ на уровень инфляции в России // Вестник Московского университета. Серия 10. Журналистика. 2025. № 2. С. 3–32. DOI: 10.55959/msu. vestnik.journ.2.2025.332

Поступила в редакцию 14.01.2025