Цель: сформировать вычислимый каркас, позволяющий конструировать семейства сценариев и количественно оценивать устойчивость политики к экстремальным воздействиям.
Методы: копульная нормализация и SVD-декомпозиция для извлечения латентных факторов; HAR/стохастическая волатильность с калибровкой хвостовых распределений; скрытая марковская модель для фазовых переключений; расширенное правило Тейлора как оператор реакции; Монте-Карло для генерации вееров траекторий и хвостовых метрик (VaR/CTE), с робастной оценкой качества через Taleb R².
Результаты: получена интегрированная схема, в которой единые факторы и режимы согласованно питают сценарный движок; демонстрируется формирование квантильных коридоров и диагностик хвостового риска на исторических данных (2010–2025).
Выводы: модульная архитектура повышает интерпретируемость и сопоставимость конфигураций модели, а tail-aware и режимные компоненты критичны для корректной оценки стрессов и устойчивости решений.
Abstract: The paper is devoted to the development of a modular stochastic architecture for modelling a monetary system, designed for reproducible analysis of how a central bank reacts to complex shocks. Special attention is paid to the linkage “structural macro-data layer — heavy-tailed volatility — regime dynamics — monetary reaction operator”, which makes it possible to treat interest-rate forecasting as a special case of a more general scenario-modelling task.
Objective: to build a tractable computational framework that enables constructing families of scenarios and quantitatively assessing the resilience of policy to extreme disturbances.
Methods: copula-based normalisation and SVD decomposition to extract latent factors; HAR/stochastic volatility with calibration of tail distributions; a hidden Markov model for regime switching; an augmented Taylor rule as the reaction operator; Monte Carlo simulation to generate fan charts and tail-risk metrics (VaR/CTE), with robust performance evaluation via Taleb R².
Results: an integrated scheme is obtained in which common factors and regimes consistently feed the scenario engine; the formation of quantile bands and tail-risk diagnostics is demonstrated on historical data (2010–2025).
Conclusions: the modular architecture improves interpretability and comparability of model configurations, while tail-aware and regime components are critical for correct stress assessment and policy-resilience evaluation.
Keywords: monetary policy, central bank, stochastic modelling, heavy tails, volatility, HMM, Taylor rule, Monte Carlo, stress testing.
Введение
Современное моделирование денежно-кредитной политики сталкивается с фундаментальным противоречием. С одной стороны, классические подходы — правила Тейлора [1], динамические стохастические модели общего равновесия [2], векторные авторегрессии [3] — обеспечивают прозрачность механизмов трансмиссии и удобную интерпретацию параметров, с другой стороны, реальные макроэкономические процессы демонстрируют резкие смены режимов, толстые хвосты распределений и нелинейные зависимости, которые плохо улавливаются линейными спецификациями и гауссовскими допущениями.
Финансовые кризисы последних десятилетий показали, что монетарным властям приходится принимать решения в условиях экстремальных шоков, для которых среднеквадратичные ошибки прогнозов оказываются мало информативными метриками.
Частичные решения предлагаются в разрозненных направлениях. Марковские переключения режимов [4,5] позволяют идентифицировать дискретные состояния экономики, но требуют априорной спецификации числа режимов и часто игнорируют непрерывную эволюцию волатильности. HAR-модели волатильности [6] успешно описывают персистентность финансовых индикаторов на различных горизонтах, однако не включают фундаментальные макропеременные. Распределения с тяжелыми хвостами [7] корректно воспроизводят экстремальные события, но редко интегрируются в операционные модели центральных банков.
Принципиальное отличие от существующих подходов состоит в трактовке модели не как средства получения точечного прогноза, а как лаборатории для генерации семейств сценариев. Вместо минимизации средних ошибок на исторической выборке модель калибруется с учетом устойчивости к хвостовым событиям, что операционализируется через метрику Taleb R² [9], придающую больший вес крупным отклонениям. Вместо единственной траектории формируются ансамбли путей с квантильными коридорами, внутри которых оцениваются вероятности достижения целевых диапазонов. Такая постановка естественно согласуется с потребностями стресс-тестирования и оценки устойчивости политики при множественных одновременных шоках.
Материалы и методы
Для последующих модулей используется ежемесячная панель макропоказателей за период с января 2010 года по июль 2025 года. В неё входят процентные ставки RUONIA и ключевая ставка Банка России (официальные данные ЦБ), инфляция и инфляционные ожидания (Росстат и опросы ЦБ), уровни ВВП и кредитного импульса (Росстат и Минфин), а также показатели рыночной волатильности (Московская биржа). Такой набор позволяет проследить несколько фаз денежно-кредитной политики и реакции на крупные шоки.
References
1. Тейлор, Дж. Б. (1993). Дискреционная политика и правила денежно‑кредитной политики на практике. Carnegie-Rochester Conference Series on Public Policy, 39, 195–214.2. Сметс, Ф., и Воутерс, Р. (2007). Шоки и фрикции в деловых циклах США. American Economic Review, 97(3), 586–606.
3. Симс, К. А. (1980). Макроэкономика и реальность. Econometrica, 48(1), 1–48.
4. Гамильтон, Дж. Д. (1989). Новый подход к экономическому анализу нестационарных временных рядов и делового цикла. Econometrica, 57(2), 357–384.
5. Ким, Ч.-Дж., и Нельсон, Ч. Р. (1999). Модели пространства состояний с переключением режимов. MIT Press.
6. Корси, Ф. (2009). Простая приближённая модель реализованной волатильности с долгой памятью. Journal of Financial Econometrics, 7(2), 174–196.
7. Конт, Р., и Танков, П. (2004). Финансовое моделирование с процессами со скачками. Chapman & Hall/CRC.
8. Лопес‑Пас, Д., Хенниг, П., и Шёлькопф, Б. (2013). Рандомизированный коэффициент зависимости (RDC). Advances in Neural Information Processing Systems, 26.
9. Талеб, Н. Н. (2020). Статистические последствия тяжёлых хвостов. STEM Academic Press.
10. Хансен, Л. П., и Сарджент, Т. Дж. (2016). Робастность. Princeton University Press.
11. Голядина, Н. Э., Никифоров, В. В., и Зайцев, А. А. (2013). Метод «Гусеница»-SSA: прогнозирование временных рядов. Санкт-Петербург: БХВ-Петербург.
12. Склар, А. (1959). Многомерные функции распределения и их маргинальные распределения. Publications de l’Institut de Statistique de l’Université de Paris, 8, 229–231.