sciresНаучные исследования экономического факультета. Электронный журналScientific Research of Faculty of Economics. Electronic Journal2078-3809Moscow State University10.38050/2078-3809-2026-18-2-43-57scires-466Research ArticleМАКРОЭКОНОМИЧЕСКАЯ ПОЛИТИКАMACROECONOMIC POLICYОценка предсказательной силы инвесторов в определении ключевой ставки ЦБ РФ с помощью LLMAssessing the Predictive Power of Investors in Determining the Key Rate of the Central Bank of the Russian Federation Using LLMБорисенкоГ. А.BorisenkoG. A.

Борисенко Георгий Александрович — аспирант

Georgii A. Borisenko — Postgraduate student

borisenko.georgiy@bk.ruМГУ имени М.В. Ломоносова, экономический факультетРоссияLomonosov Moscow State University, Faculty of EconomicsRussian Federation2026180920261824357Copyright © Борисенко Г.А., 20262026Борисенко Г.А.Borisenko G.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://scires.elpub.ru/jour/article/view/466

Исследование направлено на прогнозирование решений ЦБ РФ по ключевой ставке через анализ мнений инвесторов в социальной сети «Пульс» (Т-Банк). Несмотря на важность ключевой ставки ЦБ, большинство исследователей ставят целью прогнозирование макроэкономических индикаторов, связанных со ставкой ЦБ, но не ее саму. Для восполнения этого пробела в работе предложен подход, сочетающий краудсорсинговые данные с обработкой большими языковыми моделями (LLM). На основе семантически размеченных постов и комментариев из социальных сетей с помощью YandexGPT-5-Lite-Instruct, построены прогнозы направления изменения ставки за 48 заседаний ЦБ РФ (2019–2025 гг.). Интеграция LLM позволила корректно интерпретировать контекст и эмоциональную окраску неформальных высказываний, избежав ошибок словарных методов. Точность прогнозов на основе данных «Пульса» составила 90%, превысив показатели аналитических агентств в условиях экстренных заседаний.

The main aim of this study is to forecast key rate decisions of the Central Bank of Russian Federation by analyzing investor opinions in the Pulse social network (T-Bank). Despite the importance of the Central Bank's key rate, most studies aim to forecast macroeconomic indicators related to the Central Bank rate, but not the rate itself. To fill this gap, the paper proposes an approach that combines crowdsourcing data with processing by large language models (LLM). Based on semantically tagged posts and comments from the social network using YandexGPT-5-Lite-Instruct, forecasts directions of rate changes for 48 meetings of the Central Bank of the Russian Federation (2019–2025). The integration of LLM made it possible to correctly interpret the context and emotional coloring of informal statements, avoiding the errors of dictionary methods. The accuracy of forecasts based on Pulse data was 90%, exceeding the indicators of analytical agencies in the context of emergency meetings.

ставка ЦБ РФпрогнозированиебольшие языковые моделианализ настроенийCentral Bank of the Russian Federation rateforecastinglarge language modelssentiment analysisReferencesАбдурахманов М.А. Моделирование влияния прогнозов ключевой ставки Банка России на ожидания участников рынка // Деньги и кредит. 2023. Т. 82. № 2. С. 3–20.Abdurahmanov M.A. Modelirovanie vlijanija prognozov kljuchevoj stavki Banka Rossii na ozhidanija uchastnikov rynka. Den'gi i kredit. 2023. Vol. 82. No. 2. P. 3–20. (In Russ.).Абрамов В., Тишин А.В., Стырин К.А. Денежно-кредитная политика и кривая доходности // Серия докладов об экономических исследованиях. 2022. № 95В. С. 49.Abramov V., Tishin A.V., Styrin K.A. Denezhno-kreditnaja politika i krivaja dohodnosti. Serija dokladov ob jekonomicheskih issledovanijah. 2022. No.95V. P. 49. (In Russ.).Шарафутдинов А.Р. Прогнозирование российских ВВП, инфляции, ставки процента и обменного курса с помощью модели DSGE-VAR // Деньги и кредит. 2023. Т. 82. № 3. С. 32–86.Sharafutdinov A.R. Prognozirovanie rossijskih VVP, infljacii, stavki procenta i obmennogo kursa s pomoshh'ju modeli DSGE-VAR. Den'gi i kredit. 2023. Vol. 82. No. 3. P. 32–86. (In Russ.).Юревич М.А., Ахмадеев Д.Р. Возможности прогнозирования уровня безработицы на основе анализа статистики запросов (в поисковых системах) // Terra Economicus. 2021. Т. 19. № 3. С. 53–64. https://doi.org/10.18522/2073-6606-2021-19-3-53-64.Jurevich M.A., Ahmadeev D.R. Vozmozhnosti prognozirovanija urovnja bezraboticy na osnove analiza statistiki zaprosov (v poiskovyh sistemah). Terra Economicus. 2021. Vol. 19. No. 3. P. 53–64. https://doi.org/10.18522/2073-6606-2021-19-3-53-64. (In Russ.).Darapaneni N., Paduri A.R., Sharma H. et al. Stock price prediction using sentiment analysis and deep learning for Indian markets // arXiv preprint arXiv:2204.05783. 2022. https://doi.org/10.48550/arXiv.2204.05783.Darapaneni N., Paduri A.R., Sharma H. et al. Stock price prediction using sentiment analysis and deep learning for Indian markets. arXiv preprint arXiv:2204.05783. 2022. https://doi.org/10.48550/arXiv.2204.05783.Islam M.R., Zibran M.F. A comparison of dictionary building methods for sentiment analysis in software engineering text // 2017 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM). IEEE, 2017. P. 478–479. https://doi.org/10.1109/ESEM.2017.67.Islam M.R., Zibran M.F. A comparison of dictionary building methods for sentiment analysis in software engineering text. 2017 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM). IEEE, 2017. P. 478–479. https://doi.org/10.1109/ESEM.2017.67.Jagdale R.S., Shirsat V.S., Deshmukh S.N. Sentiment analysis on product reviews using machine learning techniques // Cognitive Informatics and Soft Computing: Proceeding of CISC 2017. Springer Singapore, 2019. P. 639–647. https://doi.org/10.1007/978-981-13-0617-4_61.Jagdale R.S., Shirsat V.S., Deshmukh S.N. Sentiment analysis on product reviews using machine learning techniques. Cognitive Informatics and Soft Computing: Proceeding of CISC 2017. Springer Singapore, 2019. P. 639–647. https://doi.org/10.1007/978-981-13-0617-4_61.Luo W., Gong D. Pre-trained large language models for financial sentiment analysis // arXiv preprint arXiv:2401.05215. 2024. P. 6. https://doi.org/10.48550/arXiv.2401.05215.Luo W., Gong D. Pre-trained large language models for financial sentiment analysis. arXiv preprint arXiv:2401.05215. 2024. P. 6. https://doi.org/10.48550/arXiv.2401.05215.Naveed H., Khan A.U., Qui S. et al. A comprehensive overview of large language models // arXiv preprint arXiv:2307.06435. 2023. P. 47. https://doi.org/10.48550/arXiv.2307.06435.Naveed H., Khan A.U., Qui S. et al. A comprehensive overview of large language models. arXiv preprint arXiv:2307.06435. 2023. P. 47. https://doi.org/10.48550/arXiv.2307.06435.Padmanayana V., Bhavya K. Stock market prediction using Twitter sentiment analysis // Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol. 2021. Vol. 7. No. 4. P. 265–270. https://doi.org/10.32628/CSEIT217475.Padmanayana V., Bhavya K. Stock market prediction using Twitter sentiment analysis // Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol. 2021. Vol. 7. No. 4. P. 265–270. https://doi.org/10.32628/CSEIT217475.Schmanski B., Scotti C., Vega C., Benamar H. Fed Communication, News, Twitter, and Echo Chambers. 2023. P. 61. https://doi.org/10.17016/FEDS.2023.036.Schmanski B., Scotti C., Vega C., Benamar H. Fed Communication, News, Twitter, and Echo Chambers. 2023. P. 61. https://doi.org/10.17016/FEDS.2023.036.Wei J., Bommasani R., Raffel C. et al. Emergent abilities of large language models // arXiv preprint arXiv:2206.07682. 2022. P. 30. https://doi.org/arXiv.2206.07682.Wei J., Bommasani R., Raffel C. et al. Emergent abilities of large language models. arXiv preprint arXiv:2206.07682. 2022. P. 30. https://doi.org/arXiv.2206.07682.Xu G., Meng Y., Qiu X. et al. Sentiment analysis of comment texts based on BiLSTM // Ieee Access. 2019. Vol. 7. P. 51522–51532. https://doi.org/10.1109/ACCESS.2019.2909919.Xu G., Meng Y., Qiu X. et al. Sentiment analysis of comment texts based on BiLSTM. Ieee Access. 2019. Vol. 7. P. 51522–51532. https://doi.org/10.1109/ACCESS.2019.2909919.Yasir M., Afzal S., Latif K. et al. An efficient deep learning based model to predict interest rate using twitter sentiment // Sustainability. 2020. Vol. 12. No. 4. P. 1660–1677. https://doi.org/10.3390/su12041660.Yasir M., Afzal S., Latif K. et al. An efficient deep learning based model to predict interest rate using twitter sentiment. Sustainability. 2020. Vol. 12. No. 4. P. 1660–1677. https://doi.org/10.3390/su12041660.Githunb. Код, который использовался для написания статьи: URL: https://github.com/BorisenkoGeorgy/Pulse_key_rate_forecast (дата обращения: 13.05.2025).Githunb. Kod, kotoryj ispol'zovalsja dlja napisanija stat'i: Available at: https://github.com/BorisenkoGeorgy/Pulse_key_rate_forecast (accessed: 13.05.2025).Раздел официального сайта ЦБ РФ, где выложена информация про ключевую ставку ЦБ: URL: https://www.cbr.ru/hd_base/keyrate/ (дата обращения: 13.05.2025).Razdel oficial'nogo sajta CB RF, gde vylozhena informacija pro kljuchevuju stavku CB: Available at: https://www.cbr.ru/hd_base/keyrate/ (accessed: 13.05.2025). (In Russ.).Крупнейший Telegram канал с оперативными новостями: URL: https://t.me/markettwits (дата обращения: 13.05.2025).Krupnejshij Telegram kanal s operativnymi novostjami: Available at: https://t.me/markettwits (accessed: 13.05.2025). (In Russ.).Новость с официального сайта РБК про прогноз ставки ЦБ РФ аналитиками Сбербанка: URL: https://www.rbc.ru/finances/22/10/2019/5daee9689a7947bb17344689 (дата обращения: 13.05.2025).Novost' s oficial'nogo sajta RBK pro prognoz stavki CB RF analitikami Sberbanka: Available at: https://www.rbc.ru/finances/22/10/2019/5daee9689a7947bb17344689 (accessed: 13.05.2025). (In Russ.).Описание модели YandexGPT5: URL: https://habr.com/ru/companies/yandex/articles/885218/ (дата обращения: 13.05.2025).Opisanie modeli YandexGPT5: Available at: https://habr.com/ru/companies/yandex/articles/885218/ (accessed: 13.05.2025). (In Russ.).Информация о самой большой языковой модели с официального сайта Meta: URL: https://ai.meta.com/blog/llama-4-multimodal-intelligence/ (дата обращения: 13.05.2025).Informacija o samoj bol'shoj jazykovoj modeli s oficial'nogo sajta Meta: Available at: https://ai.meta.com/blog/llama-4-multimodal-intelligence/ (accessed: 13.05.2025).Карточка модели YandexGPT5 Lite Instruct: URL: https://huggingface.co/yandex/YandexGPT-5-Lite-8B-instruct-GGUF (дата обращения: 13.05.2025).Kartochka modeli YandexGPT5 Lite Instruct: Available at: https://huggingface.co/yandex/YandexGPT-5-Lite-8B-instruct-GGUF (accessed: 13.05.2025). (In Russ.).Официальный сайт kaggle: URL: https://www.kaggle.com/ (дата обращения: 13.05.2025).Oficial'nyj sajt kaggle: Available at: https://www.kaggle.com/ (accessed: 13.05.2025)

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