Abstract
<jats:p>Проведено огляд деяких моделей Data Science, які можуть бути використані для сучасного макроекономічного прогнозування. У статті здійснено огляд і практичне порівняння сучасних моделей Data Science, які можуть бути використані для макроекономічного прогнозування в умовах зростаючої нестабільності та структурних змін економіки. Основну увагу приділено аналізу можливостей поєднання класичних економетричних підходів із методами машинного навчання з метою підвищення точності прогнозів макроекономічних показників. Для емпіричного дослідження використано реальний часовий ряд номінального валового внутрішнього продукту, сформований на основі квартальних статистичних даних. У межах дослідження побудовано та проаналізовано три прогнозні моделі: класичну авторегресійну інтегровану модель ковзного середнього (ARIMA), ансамблеву модель градієнтного бустингу (Gradient Boosting Regressor, GBR) та багатошарову перцептронну нейронну мережу (Multilayer Perceptron, MLP). Вихідну вибірку поділено на навчальну та тестову частини, що дало змогу об’єктивно оцінити якість прогнозування поза межами навчальних даних. Для порівняльного аналізу результатів застосовано стандартні показники точності прогнозу – середньоквадратичну помилку (RMSE) та середню абсолютну помилку (MAE). Окрему увагу приділено дослідженню бустингових підходів як інструменту підвищення прогностичної здатності класичних часових моделей. Зокрема, розглянуто можливість покращення результатів ARIMA шляхом інтеграції з методами машинного навчання. На основі отриманих результатів визначено найбільш перспективний тип і специфікацію моделі, яка демонструє кращу точність прогнозу порівняно з традиційними економетричними підходами та має значний потенціал для подальшого вдосконалення. Практична цінність дослідження полягає у формуванні методологічної основи для застосування інструментів Data Science в макроекономічному аналізі та прогнозуванні, що є особливо актуальним у контексті стратегічного планування та економічного відновлення України в середньо- та довгостроковій перспективі.</jats:p>