Почему прогнозы инфляции ЦБ бывают «под цель» — и как ИИ помогает

В 2025 году инфляция снова стала темой, на которой «горит» половина финансовых чатов: кто-то ждёт мягкой посадки, кто-то — второго витка, а инвесторы пытаются понять простую вещь: насколько можно доверять прогнозам центральных банков. И вот тут есть неприятная деталь. Даже когда методики формально корректны, поведение людей внутри институций может создавать систематические перекосы.

18.12.2025 вышла свежая работа экономистов Ынкю Сонга и Соджон Ли о Банке Кореи: авторы проверяют, не «тянутся» ли официальные прогнозы инфляции к целевому уровню регулятора. Их вывод звучит жёстко и практично: в определённых состояниях экономики прогнозы действительно смещены в сторону цели — и это смещение можно частично исправлять статистическими методами.

Для серии «Искусственный интеллект в банковской инфраструктуре и платёжных системах» это отличный кейс: если исходный макросигнал (прогноз ЦБ) содержит поведенческий bias, то и все downstream-системы — от ALM до скоринга и антифрода — могут работать на чуть хуже данных. А для инвестиций это ещё прямее: макропрогнозы входят в модели ставок, валют, доходностей и сценариев.

Что именно нашли исследователи: смещение «к таргету»

Ключевая мысль работы проста: ошибка прогноза инфляции не случайна — она зависит от того, где фактическая инфляция находится относительно цели на момент прогнозирования. Это называется state-dependent bias — смещение, зависящее от состояния.

Авторы берут регулярные прогнозы инфляции Банка Кореи из публикаций Economic Outlook и проверяют гипотезу: нет ли тенденции «подтягивать» прогноз к целевому уровню инфляции. Но важный ход — они расширяют классический тест Holden–Peel (1990), добавляя зависимость от состояния экономики.

Почему «состояние» здесь критично

Состояние в статье задаётся очень практично: была ли реализованная инфляция ниже целевого уровня в момент прогноза. Это не абстрактная «фаза цикла», а именно управленческая ситуация.

Логика такая:

• когда инфляция ниже цели, регулятору психологически и коммуникационно проще ожидать возврата к цели (mean reversion);
• когда инфляция выше цели, давление общественного внимания и риск подрыва доверия могут влиять на тон прогнозов.

Итог исследования: в state-dependent постановке прогнозы инфляции Банка Кореи демонстрируют смещение.

Сигнал для инвестора и риск-менеджера: «ошибка прогноза» — это не шум, а потенциально предсказуемая компонента.

Почему инвестору вообще важно, что ЦБ может ошибаться системно

Если вы строите портфель «в вакууме», прогноз инфляции — просто мнение. Но в реальной финансовой инфраструктуре прогнозы регуляторов — это узловые входные параметры.

Каналы, по которым bias превращается в деньги (или убыток)

1. Ставки и кривая доходности. Инфляция влияет на ожидания по ключевой ставке, а значит — на дисконтирование и оценку облигаций.
2. FX и carry. Для валютных стратегий инфляционный дифференциал и ожидания монетарной политики — базовая механика.
3. Акции и факторные модели. Номинальный рост, маржи, стоимость капитала — всё завязано на инфляцию и ставки.
4. Банковские балансы (ALM). Неверный инфляционный сценарий — это ошибка в переоценке процентного риска.
5. Платёжные системы и антифрод. Казалось бы, при чём тут инфляция? При том, что инфляционные волны меняют поведение клиентов: частоту транзакций, средний чек, структуру покупок. А это уже влияет на модели обнаружения аномалий.

В декабре 2025 это особенно актуально: многие команды закрывают год и пересобирают сценарные матрицы на 2026, где прогнозы ЦБ часто стоят «по умолчанию». Если в них есть смещение, «по умолчанию» становится дорогим.

Как авторы предлагают исправлять смещение — и почему это похоже на здравый ML

Вторая сильная часть статьи — не просто диагностика bias, а попытка коррекции прогнозов. Авторы рассматривают несколько стратегий, в том числе:

• модели ошибки среднего (mean error),
• авторегрессию первого порядка AR(1) для ошибки,
• state-dependent варианты этих коррекций.

Результат: коррекции в целом улучшают точность прогнозов, а наиболее стабильной по качеству выглядит AR(1)-коррекция, которая последовательно снижает RMSE (корень из среднеквадратичной ошибки).

Почему AR(1) — практичная «переходная» стратегия

Если перевести на язык прикладной аналитики, AR(1)-коррекция — это признание, что:

• ошибки прогноза имеют инерцию;
• если ЦБ системно «недодаёт/передаёт» инфляцию в одном режиме, часть этого эффекта переносится в следующий период;
• значит, прошлые ошибки можно использовать как простой сигнал для поправки.

Это похоже на минималистичный ML-пайплайн:

• есть базовый «экспертный» прогноз;
• поверх него есть модель residual learning (модель остатков);
• задача — предсказывать остаток и корректировать итог.

Именно так часто и строят промышленные системы прогнозирования: не спорят с источником целиком, а улучшают его на уровне ошибок.

Где здесь ИИ: как убрать человеческую «притягиваемость к цели»

ИИ не делает прогноз автоматически «истинным». Но он помогает в двух местах, где человеческий фактор особенно заметен: регимы и коммуникационные ограничения.

1) Режимные модели вместо «одной средней истины»

State-dependent bias — это фактически признание, что экономика ведёт себя по-разному в разных режимах. В терминах Data Science это повод использовать:

• классификацию режимов (инфляция ниже/выше цели, ускорение/замедление, шоки сырья);
• mixture-of-experts (несколько экспертов под разные режимы);
• модели с переключением режимов (Markov switching) или градиентный бустинг с режимными фичами.

Практический выигрыш: модель перестаёт «усреднять» разные миры в один прогноз.

2) Разделение «прогноза» и «коммуникации»

У ЦБ есть задача: прогнозировать и одновременно управлять ожиданиями. Это нормально. Но для инвестора важно отделять:

• что регулятор думает,
• что регулятор готов сказать.

ИИ-подход в инвестициях и банковской инфраструктуре строится иначе:

• модель оптимизируется по метрикам ошибки (RMSE/MAE),
• логика объяснима (SHAP/feature importance),
• контроль дрейфа (data drift) автоматизирован.

В результате коммуникационная часть не «тянет» прогноз к цели, потому что в ML-цепочке ей просто нет места. Есть метрика — и всё.

3) «Корректор прогнозов ЦБ» как прикладной модуль

Я видел, как команды делают это очень прагматично: берут прогнозы ЦБ как один из сигналов, но добавляют корректирующий слой.

Пример архитектуры:

1. Вход: прогноз инфляции ЦБ, текущая инфляция, динамика цен на энергоносители, FX, зарплаты/рынок труда, инфляционные ожидания.
2. Модель: прогноз ошибки ЦБ (residual model) — от простой AR(1) до бустинга.
3. Выход: скорректированный прогноз инфляции, плюс доверительный интервал.
4. Интеграция: ALM-сценарии, стратегии дюрации, хеджирование, лимиты риска.

Это хорошо ложится и на банковскую инфраструктуру: один раз построили валидированную «прослойку качества», и дальше она улучшает сразу несколько контуров.

Что делать инвестору и финтех-команде уже сейчас (чек-лист)

Если вы используете прогнозы регуляторов в моделях, действуйте как инженер, а не как поклонник авторитета.

1. Измерьте ошибку прогнозов ЦБ на своей выборке. Не «в среднем по больнице», а по горизонтам (1 квартал, 2 квартала…) и по режимам.
2. Проверьте state-dependent смещение. Минимум — разделите периоды «инфляция ниже цели» и «выше цели» и сравните среднюю ошибку.
3. Добавьте простую коррекцию. Начните с mean error или AR(1) на ошибке. Это дёшево и часто даёт заметный эффект.
4. Сделайте мониторинг дрейфа. Если структура ошибок меняется — модель коррекции должна это увидеть первой.
5. Отделите “official view” от “trading view”. Для коммуникаций можно хранить исходный прогноз, но для решений использовать скорректированный.

Практическое правило: если сигнал влияет на деньги, он должен проходить контроль смещения и стабильности, даже если это «сигнал от ЦБ».

Как этот кейс укладывается в тему платёжной инфраструктуры

На первый взгляд инфляционные прогнозы — не про платежи. Но в 2025–2026 граница стирается: платёжные системы живут в реальном времени, и любые макрошоки быстро отражаются в транзакционных паттернах.

• Инфляция ускоряется → растёт частота мелких платежей, меняются категории расходов.
• Реальные доходы проседают → увеличивается чувствительность к комиссиям и рассрочкам.
• Бизнес поднимает цены → растёт доля возвратов/споров, меняется профиль мошенничества.

Если вы строите ИИ-модели для мониторинга операций, лимитов, антифрода и риск-скоринга, вам нужны корректные макро-предпосылки и сценарии. Bias в прогнозах регулятора здесь способен не «сломать модель», но сдвинуть пороги и увеличить ложноположительные/ложноотрицательные срабатывания.

Финальная мысль: доверять можно, но проверять — выгоднее

Исследование по Банку Кореи даёт важный урок: даже у сильных институтов прогнозы могут быть системно смещены — особенно относительно собственного таргета и в зависимости от режима экономики. Хорошая новость в том, что это смещение не мистическое: его можно диагностировать и частично исправлять.

Если ваша стратегия, ALM или платёжная аналитика опирается на макропрогнозы, начните с малого: построите корректор ошибок и заведите мониторинг. А дальше уже решайте, где нужен классический эконометрик, а где — полноценный ML/ИИ-слой.

Вы готовы принять как рабочую гипотезу, что официальный прогноз — это не истина, а сигнал, который тоже надо «калибровать»?