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

Постоянный адрес этой страницы - https://esj.today/42favn225.html

Полный текст статьи в формате PDF (объем файла: 761.8 Кбайт)

Ссылка для цитирования этой статьи:

Кусербаев, К. И. Интеллектуальный анализ данных и обработка Big Data с применением ML-технологий для эконометрического и финансового моделирования / К. И. Кусербаев, М. М. Супрунов, Е. С. Крючков // Вестник Евразийской науки. — 2025. — Т 17. — № s2. — URL: https://esj.today/PDF/42FAVN225.pdf (дата обращения: 17.07.2025).

Интеллектуальный анализ данных и обработка Big Data с применением ML-технологий для эконометрического и финансового моделирования

Кусербаев Карим Ильгамович
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 215758@edu.fa.ru; karim@kuserbaev.ru

Супрунов Матвей Маркович
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 215769@edu.fa.ru; matthewsuprunov@gmail.com

Крючков Егор Сергеевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: 210925@edu.fa.ru; egor.kruchkov1@gmail.com

Научный руководитель: Капустина Надежда Валерьевна
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Профессор кафедры «Экономической безопасности и управления рисками»
Доктор экономических наук, доцент
E-mail: NVKapustina@fa.ru

Аннотация. Исследование посвящено комплексному анализу теоретических основ и практических методов интеллектуального анализа данных и обработки Big Data с применением ML-технологий в контексте эконометрического и финансового моделирования. В работе проведена систематизация концептуального аппарата и эволюции методологических подходов к обработке больших массивов финансовой информации. Представлена классификация современных алгоритмов машинного обучения, используемых для прогнозирования финансовых показателей, включая методы обучения с учителем, без учителя и с подкреплением. Проанализированы ключевые технологии предварительной обработки и структурирования финансовых данных, включая методы очистки, трансформации и интеграции гетерогенных информационных потоков. Выявлены основные тенденции применения нейросетевых моделей в задачах финансового анализа и прогнозирования рыночной динамики, определены критические факторы, влияющие на точность прогностических моделей. Особое внимание уделено архитектурам глубокого обучения и временным рядам, оптимизированным для работы с высокочастотными финансовыми данными. Исследование демонстрирует значительный потенциал мультимодальных подходов, сочетающих анализ структурированных финансовых показателей с обработкой неструктурированной текстовой информации для повышения точности прогнозов. Проведен анализ эффективности применения методов машинного обучения в различных сегментах финансового рынка и для различных временных горизонтов прогнозирования. Выявлены особенности использования ансамблевых методов и мета-обучения для повышения устойчивости моделей к рыночной волатильности и структурным изменениям. Рассмотрены вопросы интерпретируемости моделей машинного обучения в контексте требований регуляторов финансового рынка и корпоративных стандартов риск-менеджмента. Предложена методологическая рамка для оценки значимости признаков в прогностических моделях на основе байесовского подхода. Исследованы технологические аспекты внедрения систем машинного обучения в бизнес-процессы финансовых организаций, включая особенности интеграции с существующими информационными системами, механизмы масштабирования вычислительных ресурсов и подходы к обеспечению отказоустойчивости. Практическая значимость исследования заключается в разработке рекомендаций по созданию комплексной инфраструктуры для финансового моделирования на основе ML-технологий, учитывающей современные требования к производительности, безопасности и интерпретируемости моделей.

Ключевые слова: большие данные; интеллектуальный анализ данных; машинное обучение; эконометрическое моделирование; финансовое прогнозирование; нейронные сети; глубокое обучение; обработка финансовых временных рядов; предиктивная аналитика; ансамблевые методы; интерпретируемые модели; оценка финансовых рисков

Скачать