Для принятия эффективного экономического решения необходимо иметь представление о возможном состоянии в будущем объекта принятия решений и его окружения, получаемое с помощью прогнозирования. Чем точнее выполняются прогнозы, тем меньше неопределённости в ситуации принятия решений, и тем эффективнее принимаемые решения. Поэтому повышение точности экономического прогнозирования является важной научной задачей. Одним из новых направлений в экономическом прогнозировании является прогнозирование с помощью моделей векторных авторегрессий. Но практическое применение этих моделей затруднено, поскольку с ростом размерности вектора авторегрессии количество коэффициентов модели растёт нелинейно и возникают серьёзные вычислительные сложности при построении таких моделей. Нами предлагаются к использованию комплекснозначные векторные авторегрессии, которые проще векторных авторегрессий действительных переменных, поскольку содержат вдвое меньшее количество коэффициентов, значения которых следует оценить статистическими методами. На примере рынка мировых цен на цветные металлы нами был сформирован восьмимерный вектор цен на них - драгоценные и недрагоценные. На основе статистических данных этого вектора были построены две линейные векторные авторегрессии действительных и комплексных переменных, а также две нелинейные модели векторных авторегрессий действительных и комплексных переменных. Показано, что нелинейная комплекснозначная векторная авторегрессия является лучшей моделью из этих четырёх моделей как с позиций байесовского информационного критерия, так и с позиций точности краткосрочного экономического прогнозирования, что было проверено на последних статистических данных. Рекомендуется для краткосрочного экономического прогнозирования цен использовать нелинейные комплекснозначные авторегрессии. Возможность использования комплекснозначных векторных авторегрессий при краткосрочном прогнозировании других экономических показателей следует выяснять с помощью дополнительных исследований по методике, изложенной в статье. Доказательство эффективности использования комплекснозначных векторных авторегрессий в краткосрочном экономическом прогнозировании является основанием для построения в дальнейшем комплекснозначных моделей векторных авторегрессий размерности более 10, что чрезвычайно сложно или невозможно для векторных авторегрессий действительных переменных.

In order to make an effective economic decision, it is necessary to have an idea of the possible future state of the decision-making object and its environment, which is obtained by means of forecasting. The more accurately forecasts are performed, the less uncertainty in the decision-making situation, and the more effective the decisions made. Therefore, improving the accuracy of economic forecasting is an important scientific task. One of the new directions in economic forecasting is forecasting with the help of vector autoregression models. But the practical application of these models is difficult, because with increasing dimensionality of the autoregression vector the number of model coefficients grows nonlinearly and there are serious computational difficulties in the construction of such models. We propose to use complex-valued vector autoregressions, which are simpler than vector autoregressions of real variables, because they contain half the number of coefficients, the values of which should be estimated by statistical methods. Using the example of the market of world prices for non-ferrous metals, we have formed an eight-dimensional vector of prices for non-ferrous metals, precious and non-precious. Two linear vector autoregressions of real and complex variables, as well as two nonlinear models of vector autoregressions of real and complex variables were constructed on the basis of statistical data of this vector. It is shown that the nonlinear complex-valued vector autoregression is the best model of these four models both from the positions of Bayesian information criterion and from the position of accuracy of short-term economic forecasting, which was verified using the latest statistics. It is recommended to use nonlinear complex-valued autoregressions for short-term economic forecasting of prices. The possibility of using complex-valued vector autoregressions in short-term forecasting of other economic indicators should be clarified through additional research using the methodology outlined in the article. Proving the effectiveness of using complex-valued vector autoregressions in short-term economic forecasting is the basis for further construction of complex-valued vector autoregression models of dimensions greater than 10, which is extremely difficult or impossible for vector autoregressions of real variables.

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. — Загл. с титул. экрана. — Периодичность: 6 раз в год. — Выходит с 2022 г. — Электрон. журнал. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. Т. 16, № 6, 2023. — 1 файл (4,29 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j24-123.pdf>.