АНАЛИТИЧЕСКИЕ ВОЗМОЖНОСТИ МАШИННОГО ОБУЧЕНИЯ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ
DOI:
https://doi.org/10.25806/fm-1336Статья поступила в редакцию: 12.04.2024
Статья принята к публикации: 10.06.2024
Статья опубликована: 30.06.2024
Ключевые слова:
машинное обучение, экономические показатели, алгоритмы прогнозирования, Random forest, линейная регрессия, метод опорных векторов, бустингАннотация
Научное сообщество сохраняет повышенный интерес к исследованию взаимодействия современных технологий машинного обучения и прогнозирования экономических показателей. В данной статье осуществлен обзор принципов работы и потенциала применения алгоритмов машинного обучения, включая Random forest, линейную регрессию, Decision Stump и метод опорных векторов, а также техники бустинга для оптимизации процессов анализа данных, снижения затрат и уменьшения вероятности ошибок в экономических расчётах. В статье акцентировано внимание на эффективности нейронных сетей в задачах прогнозирования динамики стоимости акций на Московской фондовой бирже. Анализ сравнительной динамики и реальных результатов ценных бумаг показывает, что, несмотря на сложность точного прогнозирования из-за непредвиденных рыночных факторов, нейронные сети демонстрируют высокую вероятность корректного предсказания трендов, что свидетельствует о значительных перспективах использования данных технологий в финансовом анализе.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Финансовый менеджмент». Все права защищены. Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU www.elibrary.ru/contents.asp?titleid=9552 . Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) . Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
Список литературы
Астраханцева И.А., Герасимов А.С., Астраханцев Р.Г. Прогнозирование региональной инфляции с помощью алгоритмов машинного обучения // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. 2022. № 4 (54). С. 6-13.
Балыков А.С., Каледина Е.А., Володин С.В. Прогнозирование прочности при сжатии и проектирование составов конструкционных легких бетонов с применением методов машинного обучения // Нанотехнологии в строительстве: научный интернет-журнал. 2023. Т. 15, № 2. С. 171-186.
Бекирова Э.А., Бекирова М.Э. Экономический анализ данных и прогнозирование с использованием методов машинного обучения // Ученые записки Крымского инженерно-педагогического университета. 2023. № 2 (80). С. 49-53.
Колосова А.С., Каменева А.С., Чуков Г.В., Никифоров А.Ю. Возможность применения алгоритмов машинного обучения для прогнозирования качества ЭКБ и РЭА // Безопасность информационных технологий. 2023. Т. 30, № 1. С. 123-129.
Давыдов А.Н. использование машинного обучения в экономике // Современные проблемы лингвистики и методики преподавания русского языка в ВУЗе и школе. 2022. № 38. С. 845-848.
Казаков О.Д., Азаренко Н.Ю. Модель управления человеческим капиталом в системах принятия решений // Вестник Воронежского государственного университета инженерных технологий. 2019. Т. 81, № 3 (81). С. 290-298.
Макеев К.А., Шаповаленко К.В., Котов Я.С. Исследование алгоритмов машинного обучения в задачах прогнозирования урожайности сельскохозяйственных культур // Современные инструментальные системы, информационные технологии и инновации: Сборник научных трудов XVII Международной научно-практической конференции, Курск, 17–18 марта 2022 года / Редколлегия: Разумов М.С. (отв. ред.). Курск: Юго-Западный государственный университет, 2022. С. 264-266.
Саханевич Д.Ю. Исследование подходов и методов применения искусственного интеллекта и машинного обучения в социально-экономических процессах // Вестник Омского университета. Серия: Экономика. 2020. Т. 18, № 2. С. 65-79.
Тимакова Н.Д., Кумратова А.М., Курносова Н.С. Использование линейного клеточного автомата при прогнозировании цен на акции ММК // Информационное общество: современное состояние и перспективы развития: Сборник материалов XIV международного форума, Краснодар, 12–17 июля 2021 года. Краснодар: Кубанский государственный аграрный университет имени И.Т. Трубилина, 2021. С. 409-413.
Филиппенко В.А., Решетникова И.В. Использование машинного обучении для прогнозирования курса биткойна к курсу доллара // Будущее науки-2020: Сборник научных статей 8-й Международной молодежной научной конференции. В 5-ти томах, Курск, 21–22 апреля 2020 года. Том 3. Курск: Юго-Западный государственный университет, 2020. С. 345-349.
Филиппова А.С.Р., Ксенофонтова О.Л. Актуальность применения методов машинного обучения для прогнозирования продаж // Сборник научных трудов вузов России "Проблемы экономики, финансов и управления производством". 2023. № 53. С. 265-267.
Чагина П.А. Анализ возможности применения машинного обучения и нейронных сетей̆ для проектирования и оптимизации торговых роботов // Альманах научных работ молодых ученых Университета ИТМО, Санкт-Петербург, 02–05 февраля 2022 года. Том 2. СПб.: федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО", 2022. С. 388-390.
Шуляк Е. Макроэкономическое прогнозирование с использованием данных социальных сетей // Деньги и кредит. 2022. Т. 81, № 4. С. 86-112.
