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.
The study is devoted to a comprehensive comparative analysis of traditional economic models and machine learning (ML) methods in the context of their application in investment decision support systems. The paper presents a multifaceted assessment of the evolution of methodological approaches to modeling investment processes, characterizing the transformation of analytical tools from classical econometric methods to modern artificial intelligence algorithms. The analysis demonstrates that traditional economic models based on assumptions about the linearity of relationships, normality of distributions, and market efficiency show limited predictive ability under certain conditions of high volatility and structural shifts in financial markets. Machine learning methods based on nonlinear approaches to identifying patterns in data can overcome some limitations of traditional models through the ability to automatically identify complex relationships and adapt to changing market conditions. The paper identifies key advantages and limitations of both classes of models in solving problems of investment asset classification, return forecasting, portfolio optimization, and risk management. The tendency towards increasing effectiveness of hybrid approaches that combine the fundamental economic logic of traditional models with the flexibility and adaptability of machine learning algorithms is noted. Special attention is paid to the analysis of methodological challenges related to the problems of overfitting, model interpretability, and results stability when applying ML approaches in investment analysis. The significance of institutional and organizational factors affecting the effectiveness of implementing machine learning-based investment decision support systems is revealed. A correlation is established between the level of digital maturity of investment organizations and the effectiveness of applying advanced analytical methods. The study presents a multifactorial analysis of the effectiveness of various model classes for different types of investment tasks and market conditions based on empirical data and computational experiment results. A significant differentiation in the effectiveness of methods is revealed depending on the forecasting time horizon, asset class, macroeconomic context, and data structure. It is emphasized that the formation of effective investment decision support systems requires a comprehensive approach that takes into account both technical aspects of modeling and the peculiarities of integrating analytical tools into the decision-making processes of investment specialists.