vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2026-3-18-33vestrea-2745Research ArticleМАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫMATHEMATIC, STATISTICAL AND INSTRUMENTAL METHODSВлияние новостных потоков на инфляционные ожидания в РоссииThe Impact of News Flows on Inflation Expectations in RussiaИвановМ. А.IvanovM. A.

Михаил Алоизович Иванов, ассистент кафедры математических методов анализа экономики экономического факультета

119991, Москва, Ленинские горы, д. 1, стр. 51

Mikhail A. Ivanov, Assistant Professor of the Department for Mathematical Methods of Economic Analysis, Faculty of Economics

building 51, 1 Leninskie Gory, Moscow, 119991

mia.m5@yandex.ruhttps://orcid.org/0000-0002-5300-7930КлачковаО. А.KlachkovaO. A.

Ольга Александровна Клачкова, кандидат экономических наук, доцент кафедры математических методов анализа экономики экономического факультета

119991, Москва, Ленинские горы, д. 1, стр. 51

Olga A. Klachkova, PhD, Associate Professor of the Department for Mathematical Methods of Economic Analysis, Faculty of Economics

building 51, 1 Leninskie Gory, Moscow, 119991

sparrow889@gmail.comМосковский государственный университет имени М. В. ЛомоносоваРоссияLomonosov Moscow State UniversityRussian Federation202620052026031833Copyright © Иванов М.А., Клачкова О.А., 20262026Иванов М.А., Клачкова О.А.Ivanov M.A., Klachkova O.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/2745

В статье проводится анализ влияния тематических новостных потоков на инфляционные ожидания в России отдельно для двух групп агентов – профессиональной аудитории (участников финансового рынка) и населения, а также для двух временных периодов – до 2022 г. и после. Для профессиональной аудитории в качестве показателя инфляционных ожиданий используется вмененная инфляция (BEIR), рассчитанная на основе доходностей облигаций федерального займа; для населения – данные опросов «инФОМ». В качестве новостных данных используется массив из почти 3 млн текстов из крупнейших российских СМИ. Тематическое содержание новостей выделяется с помощью регулярных выражений, и по каждой теме строятся ежедневные индикаторы. В исследовании применена байесовская версия модели AR-X-GARCH-X, позволяющая оценивать влияние новостей как на уровень ожиданий, так и на их волатильность. Результаты показывают, что до 2022 г. новости об инфляции повышали уровень инфляционных ожиданий профессиональных участников, а новости о политике снижали их неопределенность. После 2022 г. значимое понижающее влияние начинают оказывать новости о Банке России, что может свидетельствовать о росте доверия к его коммуникационной политике. Для населения ни один новостной индикатор не оказался значимым, что свидетельствует об адаптивном характере их ожиданий и согласуется с предыдущими исследованиями.

The article analyzes the impact of subject news flows on inflation expectations in Russia in respect of two separate groups of agents, i. e. the professional audience (finance market participants) and the population within two time periods – before 2022 and after the date. For the professional audience prescribed inflation (BEIR) estimated on the basis of profitability of federal loan bonds is used as the indicator of inflation expectations; for the population it is data of ‘inFOM’ surveys. As news data the research used the block of nearly 3M texts from the biggest Russian media. The subject content of news is identified by regular expressions and for each subject daily indicators are built. The research used Bayesian version of AR-X-GARCH-X model, which provides an opportunity to assess the impact of news both on expectation levels and their volatility. The findings show that before 2022 inflation news increased the level of inflation expectations of professional participants, while news on politics reduced their uncertainty. After 2022 serious drop in influence was caused by news about the Bank of Russia, which can testify to the rise in confidence to its communications policy. As for the population neither news indicator turned to be considerable, which can demonstrate adaptive nature of their expectations and agrees with previous investigations.

байесовские моделивмененная инфляцияденежно-кредитная политикадоходность облигацийBayesian modelsprescribed inflationmonetary and credit policybond profitabilityReferencesГаврилов В., Иванов М. А., Клачкова О. А., Королев В. Ю., Рощина Я. А. Влияние тематических новостных потоков на компоненты волатильности фондового рынка России // Вестник Института экономики Российской академии наук. – 2022. – № 2. – С. 93–111.Gavrilov V., Ivanov M. A., Klachkova O. A., Korolev V. Yu., Roshchina Ya. A. Vliyanie tematicheskikh novostnykh potokov na komponenty volatilnosti fondovogo rynka Rossii [The Impact of Subject News Flows on Volatility Components of Stock Market in Russia]. Vestnik Instituta ekonomiki Rossiyskoy akademii nauk [Bulletin of the Institute of Economics of the Russian Academy of Sciences], 2022, No. 2, pp. 93–111. (In Russ.).Голощапова И. О. Разработка методики построения высокочастотных индикаторов экономических ожиданий населения на основе больших данных (на примере инфляционных ожиданий) : дис. … канд. экон. наук. – М., 2018.Goloshchapova I. O. Razrabotka metodiki postroeniya vysokochastotnykh indikatorov ekonomicheskikh ozhidaniy naseleniya na osnove bolshikh dannykh (na primere inflyatsionnykh ozhidaniy). Diss. kand. ekon. nauk [Developing Methodology of Building High-Frequency Indicators of Economic Expectations of Population on the Basis of Big Data (illustrated by Inflation Expectations). PhD econ. sci. diss.]. Moscow, 2018. (In Russ.).Голощапова И. О., Андреев М. Л. Оценка инфляционных ожиданий российского населения методами машинного обучения // Вопросы экономики. – 2017. – № 6. – С. 71–93.Goloshchapova I. O., Andreev M. L. Otsenka inflyatsionnykh ozhidaniy rossiyskogo naseleniya metodami mashinnogo obucheniya [Assessing Inflation Expectations of Russian Population by Methods of Machine Learning]. Voprosy ekonomiki [Issues of Economics], 2017, No. 6, pp. 71–93. (In Russ.).Жемков М. И., Кузнецова О. С. Измерение инфляционных ожиданий участников финансового рынка в России // Вопросы экономики. – 2017. – № 10. – С. 111–122.Zhemkov M. I., Kuznetsova O. S. Izmerenie inflyatsionnykh ozhidaniy uchastnikov finansovogo rynka v Rossii [Assessing Inflation Expectations of Finance Market Participants in Russia]. Voprosy ekonomiki [Issues of Economics], 2017, No. 10, pp. 111–122. (In Russ.).Инфляционные ожидания и потребительские настроения. Информационно-аналитический комментарий. – 2020. – № 4 (40).Inflyatsionnye ozhidaniya i potrebitelskie nastroeniya. Informatsionno-analiticheskiy kommentariy [Inflation Expectations and Customer Feelings. Information and Analytical Comments], 2020, № 4 (40). (In Russ.).Матевосова А. М. Исследование инфляционных ожиданий российского населения в условиях санкций на основе больших данных // Вестник Института экономики Российской академии наук. – 2023. – № 5. – С. 181–200.Matevosova A. M. Issledovanie inflyatsionnykh ozhidaniy rossiyskogo naseleniya v usloviyakh sanktsiy na osnove bolshikh dannykh [Studying Inflation Expectation of Russian Population in Conditions of Sanctions on the Basis of Big Data]. Vestnik Instituta ekonomiki Rossiyskoy akademii nauk [Bulletin of the Institute of Economics of the Russian Academy of Sciences], 2023, No. 5, pp. 181–200. (In Russ.).Петрова Д. А. Оценка инфляционных ожиданий на основе интернет-данных // Прикладная эконометрика. – 2022. – № 2 (66). – С. 25–38.Petrova D. A. Otsenka inflyatsionnykh ozhidaniy na osnove internet-dannykh [Assessing Inflation Expectations on the Basis of Internet-Data]. Prikladnaya ekonometrika [Applied Econometrics], 2022, No. 2 (66), pp. 25–38. (In Russ.).Baker S. R., Bloom N., Davis S. J. Measuring Economic Policy Uncertainty // The Quarterly Journal of Economics. – 2016. – Vol. 131. – N 4. – P. 1593–1636.Baker S. R., Bloom N., Davis S. J. Measuring Economic Policy Uncertainty. The Quarterly Journal of Economics, 2016, Vol. 131, No. 4, pp. 1593–1636.Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. – 1986. – Vol. 31. – N 3. – P. 307–327.Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 1986, Vol. 31, No. 3, pp. 307–327.Chen M.-H., Shao Q.-M. Monte Carlo Estimation of Bayesian Credible and HPD Intervals // Journal of Computational and Graphical Statistics. – 1999. – Vol. 8. – N 1. – P. 69–92.Chen M.-H., Shao Q.-M. Monte Carlo Estimation of Bayesian Credible and HPD Intervals. Journal of Computational and Graphical Statistics, 1999, Vol. 8, No. 1, pp. 69–92.Coibion O., Gorodnichenko Y., Weber M. Monetary Policy Communications and Their Effects on Household Inflation Expectations // Journal of Political Economy. – 2022. – Vol. 130. – N 6. – P. 1537–1584.Coibion O., Gorodnichenko Y., Weber M. Monetary Policy Communications and Their Effects on Household Inflation Expectations. Journal of Political Economy, 2022, Vol. 130, No. 6, pp. 1537–1584.Creal D., Koopman S. J., Lucas A. Generalized Autoregressive Score Models with Applications // Journal of Applied Econometrics. – 2013. – Vol. 28. – N 5. – P. 777–795.Creal D., Koopman S. J., Lucas A. Generalized Autoregressive Score Models with Applications. Journal of Applied Econometrics, 2013, Vol. 28, No. 5, pp. 777–795.Erokhin A., Klachkova O. Influence of Readability and Tone of Bank of Russia Text on Inflation Expectations // Russian Journal of Money and Finance. – 2024. – Vol. 83. – N 4. – P. 27–47.Erokhin A., Klachkova O. Influence of Readability and Tone of Bank of Russia Text on Inflation Expectations. Russian Journal of Money and Finance, 2024, Vol. 83, No. 4, pp. 27–47.Francq C., Sucarrat G. An Exponential Chi-Squared QMLE for Log-GARCH Models Via the ARMA Representation // Journal of Financial Econometrics. – 2018. – Vol. 16. – N 1. – P. 129–154.Francq C., Sucarrat G. An Exponential Chi-Squared QMLE for Log-GARCH Models Via the ARMA Representation. Journal of Financial Econometrics, 2018, Vol. 16, No. 1, pp. 129–154.Francq C., Wintenberger O., Zakoïan J.-M. GARCH Models without Positivity Constraints: Exponential or log GARCH? // Journal of Econometrics. – 2013. – Vol. 177. – N 1. – P. 34–46.Francq C., Wintenberger O., Zakoïan J.-M. GARCH Models without Positivity Constraints: Exponential or log GARCH? Journal of Econometrics, 2013, Vol. 177, No. 1, pp. 34–46.Harvey A., Chakravarty T. Beta-t-(E)GARCH. – Cambridge : University of Cambridge, 2008.Harvey A., Chakravarty T. Beta-t-(E)GARCH. Cambridge, University of Cambridge, 2008.Hoffman M. D., Gelman A. The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo // Journal of Machine Learning Research. – 2014. – Vol. 15. – P. 1593–1623.Hoffman M. D., Gelman A. The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 2014, Vol. 15, pp. 1593–1623.Nelson D. B. Conditional Heteroskedasticity in Asset Returns: A New Approach // Econometrica. – 1991. – Vol. 59. – N 2. – P. 347.Nelson D. B. Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 1991, Vol. 59, No. 2, p. 347.

The authors declare that there are no conflicts of interest present.