2025. — Т 17. — № s2 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/40favn225.html

Полный текст статьи в формате PDF (объем файла: 623 Кбайт)

Ссылка для цитирования этой статьи:

Тарасюк, Н. Ю. Машинное обучение в системах поддержки принятия инвестиционных решений: сравнительный анализ традиционных экономических моделей и ML-подходов / Н. Ю. Тарасюк // Вестник Евразийской науки. — 2025. — Т 17. — № s2. — URL: https://esj.today/PDF/40FAVN225.pdf (дата обращения: 17.07.2025).

Машинное обучение в системах поддержки принятия инвестиционных решений: сравнительный анализ традиционных экономических моделей и ML-подходов

Тарасюк Наталия Юрьевна
ФГАОУ ВО «Национальный исследовательский технологический университет «МИСИС», Москва, Россия
E-mail: m2416237@edu.misis.ru

Аннотация. Исследование посвящено комплексному сравнительному анализу традиционных экономических моделей и методов машинного обучения (ML) в контексте их применения в системах поддержки принятия инвестиционных решений. В работе представлена многоаспектная оценка эволюции методологических подходов к моделированию инвестиционных процессов, характеризующая трансформацию аналитического инструментария от классических эконометрических методов к современным алгоритмам искусственного интеллекта. Проведенный анализ демонстрирует, что традиционные экономические модели, базирующиеся на предположениях о линейности взаимосвязей, нормальности распределений и эффективности рынков, при определенных условиях демонстрируют ограниченную прогностическую способность в условиях высокой волатильности и структурных сдвигов финансовых рынков. Методы машинного обучения, основанные на нелинейных подходах к выявлению паттернов в данных, позволяют преодолеть часть ограничений традиционных моделей за счет способности автоматического выявления сложных взаимосвязей и адаптации к изменяющимся рыночным условиям. В работе идентифицированы ключевые преимущества и ограничения обоих классов моделей в рамках решения задач классификации инвестиционных активов, прогнозирования доходности, оптимизации портфеля и управления рисками. Отмечена тенденция к возрастанию эффективности гибридных подходов, сочетающих фундаментальную экономическую логику традиционных моделей с гибкостью и адаптивностью алгоритмов машинного обучения. Особое внимание уделено анализу методологических вызовов, связанных с проблемами переобучения, интерпретируемости моделей и стабильности результатов при применении ML-подходов в инвестиционном анализе. Выявлена значимость институциональных и организационных факторов, влияющих на эффективность внедрения систем поддержки принятия инвестиционных решений на основе машинного обучения. Установлена корреляция между уровнем цифровой зрелости инвестиционных организаций и результативностью применения продвинутых аналитических методов. В исследовании представлен многофакторный анализ эффективности различных классов моделей для разных типов инвестиционных задач и рыночных условий на основе эмпирических данных и результатов вычислительных экспериментов. Выявлена существенная дифференциация результативности методов в зависимости от временного горизонта прогнозирования, класса активов, макроэкономического контекста и структуры доступных данных. Подчеркивается, что формирование эффективных систем поддержки принятия инвестиционных решений требует комплексного подхода, учитывающего как технические аспекты моделирования, так и особенности интеграции аналитических инструментов в процессы принятия решений инвестиционными специалистами.

Ключевые слова: машинное обучение; инвестиционные решения; системы поддержки принятия решений; портфельная оптимизация; прогнозирование финансовых рынков; глубокое обучение; экономическое моделирование; прогнозная аналитика; управление инвестиционными рисками; искусственный интеллект в финансах; нейронные сети; алгоритмическая торговля; инвестиционный менеджмент

Скачать