ANALYTICAL CAPABILITIES OF MACHINE LEARNING IN ECONOMIC FORECASTING
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
Keywords:
agricultural entrepreneurship, agricultural insurance system, state support, subsidies, insurance premiums, agar risks, insurance and reinsurance infrastructure.Abstract
The scientific community retains an increased interest in studying the interaction of modern machine learning technologies and forecasting economic indicators. This article provides an overview of the principles of operation and potential applications of machine learning algorithms, including Random forest, linear regression, Decision Stump and the support vector machine, as well as boosting techniques to optimize data analysis processes, reduce costs and reduce the likelihood of errors in economic calculations. The article focuses on the effectiveness of neural networks in predicting the dynamics of stock prices on the Moscow Stock Exchange. An analysis of the comparative dynamics and real results of securities shows that, despite the difficulty of accurate forecasting due to unforeseen market factors, neural networks demonstrate a high probability of correctly predicting trends, which indicates significant prospects for using these technologies in financial analysis.
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
References
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.
