Details

Целью работы является разработка алгоритма, позволяющего выявлять скрытые состояния экономики внутри фаз делового цикла и формировать их содержательную интерпретацию для последующего использования в контексте принятии инвестиционных решений. Для достижения поставленной цели были решены следующие задачи: - проведён анализ теоретических подходов к исследованию экономических циклов и макроэкономических режимов; - разработан алгоритм выделения фаз делового цикла на основе декомпозиции временных рядов на трендовую и циклическую компоненты; - реализован механизм выявления скрытых состояний экономики внутри выделенных фаз с использованием скрытых марковских моделей. Актуальность темы обусловлена тем, что существующие подходы к анализу делового цикла и инвестиционной аналитике, несмотря на использование схожего набора макроэкономических и финансовых индикаторов, формируют результаты на разных уровнях детализации, исходя из чего возникла необходимость в реализации инструмента, объединяющего два данных подхода. Источниками информации выступили данные информационно-аналитической платформы Cbonds, а также опубликованные в течение последнего года аналитические отчёты международных организаций и исследовательских центров, содержащие оценки глобальной экономической активности, а также текущей макроэкономической конъюнктуры отдельных стран. В результате исследования разработан программный инструмент, позволяющий перейти от агрегированных фаз делового цикла к более детализированным макроэкономическим режимам.

The objective of the research is to develop an algorithm capable of identifying hidden economic states within business cycle phases and generating meaningful interpretations of these states. The research set the following goals: Development of an algorithm for business cycle phase identification based on trend-cycle decomposition of time series; Implementation of a mechanism for detecting hidden economic states within identified phases using Hidden Markov Models; Development of an automated interpretation module based on Large Language Models. The relevance of the study is determined by the fact that existing approaches to business cycle analysis and investment analytics, despite relying on a similar set of macroeconomic and financial indicators, produce results at different levels of detail. Therefore, there is a growing need for tools capable of formally identifying and interpreting hidden macroeconomic states by integrating the advantages of both business cycle analysis and investment analytics within a unified analytical framework. The information base of the study consisted of data obtained from the Cbonds analytical platform, as well as analytical reports and forecasts published over the past year by international organizations and research institutions covering global economic activity, financial market developments, and the macroeconomic conditions of individual countries. The proposed algorithm integrates business cycle analysis methods, Hidden Markov Models, and Large Language Models within a unified data-processing architecture. The developed approach provides sequential identification of business cycle phases, detection of hidden states within each phase, and their automated interpretation.