COMPARATIVE ANALYSIS OF ARIMA AND LSTM MODELS IN FORECASTING THE CONSUMER PRICE INDEX UNDER CONDITIONS OF HIGH INFLATIONARY VOLATILITY
Abstract
This study focuses on improving forecasting models for Ukraine's macroeconomic indicators under conditions of volatility and exogenous shocks. The scientific novelty lies in the integration of neural network theory with the principles of dynamic system identification. The LSTM architecture effectively models significant time lags and resolves the vanishing gradient problem. Model parameters are determined using iterative optimization algorithms to minimize the loss function. Computational experiments on statistical data confirm the superiority of deep learning methods over linear approaches. The results justify the use of non-linear models to account for economic inertia and enhance the accuracy of long-term forecasting.
References
George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel and Greta M. Ljung (2015) Time Series Analysis: Forecasting and Control (5rd ed.). Hoboken, NJ: John Wiley & Sons, Inc., p. 712 (in United States). DOI: https://doi.org/10.1111/jtsa.12194
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. URL: https://otexts.org/fpp3/ (accessed March 26, 2026).
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, vol. 9(8), pp. 1735-1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735
Rud O. (2025) Modeli pohnozuvannia chasovykh riadiv v investytsiinykh proektakh [Time series forecasting models in investment projects]. Problemy systemnoho pidkhodu v ekonomitsi, no. 1(98), рp. 35-43. DOI: https://doi.org/10.32782/2520-2200/2025-1-5
Ivashchenko H., Tymoshenko D., Blyzniuk O., Kononenko O. (2024) Modeli hlybokoho navchannia dlia prohnozuvannia chasovykh riadiv [Deep learning models for time series forecasting]. Systemy upravlinnia, navihatsii ta zviazku. Zbirnyk naukovykh prats, vol. 1, no 75. pp. 82–87. DOI: https://doi.org/10.26906/sunz.2024.1.082
Boiarchuk S., Tyshchenko I. (2025) Modeli prohnozuvannia chasovykh riadiv ARIMA ta LSTM v ekonomitsi ta finansakh [ARIMA and LSTM time series forecasting models in economics and finance]. Computer design systems. Theory and practice, vol. 7, no. 1, pp. 172-180. Available at: https://science.lpnu.ua/sites/default/files/journal-paper/2025/apr/38693/2517.pdf (accessed March 26, 2026).
Andrusenko Yu.O. (2020) Analiz osnovnykh modelei prohnozuvannia chasovykh riadiv [Analysis of basic time series forecasting models]. Zbirnyk naukovykh prats Kharkivskoho natsionalnoho universytetu Povitrianykh syl, no.3 (65). pp. 91-96. DOI: https://doi.org/10.30748/zhups.2020.65.14
Inflation, consumer prices (annual %) for Ukraine (FPCPITOTLZGUKR). Federal Reserve Bank of St. Louis (FRED). Available at: https://fred.stlouisfed.org/series/FPCPITOTLZGUKR (accessed March 18, 2026).
Dickey D. A., Fuller W. A. (1979) Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association. Vol. 74, no. 366a. pp. 427–431. DOI: https://doi.org/10.1080/01621459.1979.10482531
James G. MacKinnon (1996) Numerical Distribution Functions for Unit Root and Cointegration Tests. Journal of Applied Econometrics, no. 11(6), pp. 601-618. Available at: http://www.jstor.org/stable/2285154 (accessed March 18, 2026).
O. B. Mokin, V. B. Mokin, B. I. Mokin (2022) Alhorytm metodu identyfikatsii modeli avtorehresii – kovznoho serednoho, yakyi uzahalniuie metodyku Yula-Uokera, ta yoho prohramna Python-realizatsiia [Algorithm for the method of identifying the autoregressive model - moving average, which generalizes the Yule-Walker method, and its Python software implementation]. Visnyk VPI, vol. 4, pp. 41–55. DOI: https://doi.org/10.31649/1997-9266-2022-163-4-41-55
Time Series Analysis: Forecasting and Control / George E. P. Box, et al. Hoboken, NJ: John Wiley and Sons Inc., 2015, p. 712. DOI: https://doi.org/10.1111/jtsa.12194
Hyndman, R. J., & Athanasopoulos, G. Forecasting: Principles and Practice (3rd ed.). OTexts, 2021. URL: https://otexts.org/fpp3/ (дата звернення: 26.03.2026).
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol 9(8). P. 1735-1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735
Рудь О.О. Моделі погнозування часових рядів в інвестиційних проектах. Проблеми системного підходу в економіці. 2025. Вип. №1 (98). С.35-43 DOI: https://doi.org/10.32782/2520-2200/2025-1-5
Г. С. Іващенко, Д. О. Тимошенко, О. В. Близнюк, О. М. Кононенко. Моделі глибокого навчання для прогнозування часових рядів. Системи управління, навігації та зв’язку. Збірник наукових праць. 2024. Т. 1, № 75. С. 82–87. DOI: https://doi.org/10.26906/sunz.2024.1.082
Степан Боярчук, Іван Тищенко. Моделі прогнозування часових рядів ARIMA та LSTM в економіці та фінансах. Системи комп’ютерного проектування. Теорія і практика. 2025, Вип. 7, № 1, С. 172-180. URL: https://science.lpnu.ua/sites/default/files/journal-paper/2025/apr/38693/2517.pdf (дата звернення: 26.03.2026)
Андрусенко Ю.О. Аналіз основних моделей прогнозування часових рядів. Збірник наукових праць Харківського національного університету Повітряних Сил. 2020. № 3 (65). C. 91-96. DOI: https://doi.org/10.30748/zhups.2020.65.14
Inflation, consumer prices (annual %) for Ukraine (FPCPITOTLZGUKR). Federal Reserve Bank of St. Louis (FRED).URL: https://fred.stlouisfed.org/series/FPCPITOTLZGUKR (дата звернення: 18.03.2026).
Dickey D. A., Fuller W. A. Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association. 1979. Vol. 74, no. 366a. pp. 427-431. DOI: https://doi.org/10.1080/01621459.1979.10482531
James G. MacKinnon Numerical Distribution Functions for Unit Root and Cointegration Tests. Journal of Applied Econometrics, 1996, no. 11(6), pp.601-618. URL: http://www.jstor.org/stable/2285154 (дата звернення: 18.03.2026).
О. Б. Мокін, В. Б. Мокін, Б. І. Мокін, Алгоритм методу ідентифікації моделі авторегресії – ковзного середнього, який узагальнює методику Юла-Уокера, та його програмна Python-реалізація. Вісник ВПІ, 2022, вип. 4, С. 41-55. DOI: https://doi.org/10.31649/1997-9266-2022-163-4-41-55
Copyright (c) 2026 І.М. Дебела
This work is licensed under a Creative Commons Attribution 4.0 International License.
