Разработчик представил программу gdp_forecast для прогнозирования динамики ВВП, написанную на чистом C++20. В отличие от типичных решений на Python с TensorFlow или PyTorch, вся математика нейронных слоёв реализована с нуля, без внешних фреймворков. Для ускорения подбора весов на ПК задействована технология NVIDIA CUDA, а финальная модель способна запускаться на недорогих устройствах — например, на Arduino с 32 КБ памяти и ценой 300–400 руб. за штуку.
Архитектура сети имитирует экономические мультипликаторы. Первый скрытый слой увеличивает количество нейронов, затем следует несколько нелинейных слоёв, а на выходе сеть сжимается до шести проекционных нейронов — по методологии Всемирного банка. Автор подчёркивает, что отказ от популярных библиотек был осознанным: требовалось обеспечить автономность модели на устройствах с жёсткими ограничениями памяти и вычислительной мощности.
| Год | I квартал | II квартал | III квартал | IV квартал |
|---|---|---|---|---|
| 2004 | -3,82 | 12,97 | 15,67 | 7,66 |
| 2005 | -9,85 | 13,89 | 15,11 | 6,55 |
| 2006 | -6,99 | 9,93 | 14,26 | 2,81 |
| 2007 | -9,36 | 14,56 | 14,61 | 10,05 |
| 2008 | -9,38 | 15,33 | 12,73 | -8,00 |
| 2009 | -21,51 | 10,92 | 12,62 | 3,89 |
| 2010 | -7,59 | 9,82 | 10,11 | 9,62 |
| 2011 | -9,77 | 11,90 | 10,14 | 7,95 |
Для обучения использовались данные Росстата, разделённые на 12 групп: цены, рынок труда, курсы валют, демография, рентабельность бизнеса, сырьевой экспорт, социально-экономические индикаторы, показатели участия в военных операциях, внешняя торговля, финансовые и монетарные показатели. Автор отмечает, что число возможных комбинаций параметров без учёта временных сдвигов превышает триллион, поэтому отбор маркеров проводился поэтапно.
Нейросеть имитирует экономические мультипликаторы: расширение нейронов в первом слое, нелинейные связи и сжатие до шести проекционных нейронов по методике Всемирного банка.
В ходе работы разработчик столкнулся с несколькими проблемами. Эксперимент с 8-битными числами провалился из-за потери точности итогового прогноза. Кроме того, потребовалась защита данных от переполнения при ручных вычислениях. В статье он подробно разбирает эти технические детали, а также ссылается на исследования, посвящённые применению нейронных сетей для предсказания макроэкономических показателей. В частности, упоминаются работы Swanson и White (США), Marcellino (Европа), Zhang и Bian (Китай, 2024) и Семенова (Россия). Все они подтверждают, что нелинейные нейронные сети способны выявлять скрытые циклы, недоступные классическим линейным моделям вроде ARIMA.
