Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

КЛАССИФИКАЦИЯ И ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ПОКАЗАТЕЛЕЙ

Тип статьи	научная статья	Коды УДК	338.1
Страницы	30-40	Ключевые слова	искусственный интеллект, нейронные сети, прогнозирование, классификация, процессная модель, прогнозирование, курс валют, курс рубля, методы

Авторы

Полазнов А.И.Корнилов Д.А.

Место работы

Полазнов А.И. Нижегородский государственный технический университет им. Р.Е. Алексеева
Корнилов Д.А. Нижегородский государственный технический университет им. Р.Е. Алексеева

Аннотация

Данная статья представляет собой исследование методов построения нейронных сетей для прогнозирования финансовых показателей, в частности для прогнозирования курсов валют. Актуальность данного исследования обусловлена необходимостью разработки эффективных моделей прогнозирования курсов валют, акций, криптовалют и других финансовых показателей. Цель исследования - сделать обзор нейронных сетей, сформировать их классификацию, выбрать оптимальные методы и предложить модели применения нейронных сетей для прогнозирования финансовых показателей, в том числе курсов валют. В рамках работы были рассмотрены различные архитектуры нейронных сетей, включая простые рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN), глубокие нейронные сети (DNN) и другие. Более 40 методов было классифицировано и представлено их описание. Для каждого метода проанализированы их преимущества и недостатки с точки зрения прогнозирования курса. Результаты исследования показали, что выбор оптимального метода для прогнозирования курса зависит от характеристик конкретной задачи. Например, RNN показали себя лучше в задачах с временными рядами, в то время как CNN оказались эффективными в задачах с пространственной структурой. Рассмотрены вопросы повышения точности предсказания и недопущения переобучения нейронной сети. Составлена блок-схема SA-алгоритма, которая позволяет наглядно представить последовательность шагов и операций. Эта работа может быть полезным руководством для исследователей и практиков, занимающихся прогнозированием курсов финансовых активов. Результаты работы могут способствовать более точной и надежной разработке моделей прогнозирования, что имеет большое значение для финансового сектора и других областей, где важно предсказание курсов валют и повышение эффективности финансового планирования.

Загрузить статью

Библиографический список

1 . Artificial intelligence (AI) market size worldwide in 2021 with a forecast until 2030. URL: https://www.statista.com/statistics/1365145/artificial-intelligence-market-size/ (дата обращения: 10.12.2023).
2 . Концепция технологического развития на период до 2030 года. Утв. Правительством РФ от 20 мая 2023 г. № 1315-р. // СПС «Гарант».
3 . Мусаев Т.А., Федоров О.В., Шагеев С.Р., Прохорова М.В. Интеллектуальные системы учета как инструмент снижения потерь электрической энергии // Строительство: новые технологии - новое оборудование. 2021. № 2. С. 52-55.
4 . Будущее e-commerce: как Amazon применяет генеративный ИИ для оптимизации товарных описаний. URL: https://vc.ru/u/2204210-neyrosfera/838753-budushchee-e-commerce-kak-amazon-primenyaet-generativnyy-ii-dlya-optimizacii-tovarnyh-opisaniy?from=rss (дата обращения: 12.12.2023).
5 . Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. № 4. С. 108-114.
6 . Червяков Н.И., Тихонов Э.Е. Применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях // Нейрокомпьютеры: разработка, применение. 2003. № 10-11. С. 25-31.
7 . Качалов О.И., Миронов А.Н., Володина А.М. Сравнение точности прогнозирования стоимости акций компании с использованием свёрточной нейронной сети (CNN), простой рекуррентной нейронной сети (SIMPLE RNN) и рекуррентной нейронной сети на базе долгой краткосрочной памяти (LSTM) // ИТ-Стандарт. 2018. № 4 (17). С. 49-61.
8 . Белобородова Н.А. Модели прогнозирования роста производства с использованием нейронных сетей // Известия высших учебных заведений. Нефть и газ. 2002. № 4 (34). С. 110-117.
9 . Мухаметшин Р.Р. Инновационный подход к оценке и управлению инвестиционными рисками на фондовом рынке РФ с использованием нейронных сетей // Вестник Казанского технологического университета. 2009. № 5. С. 164-171.
10 . Костина Л.Н., Гареева Г.А. Нейронные сети в задачах прогнозирования временных рядов // Инновационная наука. 2015. Т. 2. № 6 (6). С. 70-73.
11 . Пальчиков И.А. Применение нейронных сетей при управлении бизнесом // Инновации, технологии и бизнес. 2021. № 2 (10). С. 63-67.
12 . Атнабаев И.Ю. Прогнозирование цен акций Сбербанка на основе искусственных нейронных сетей // Перспективы развития информационных технологий. 2016. № 29. С. 7-11.
13 . Лазарева И.Е. Моделирование уровня финансовой стабильности предприятий на основе нейронных сетей // Торговля и рынок. 2021. № 1 (57). С. 282-294.
14 . Кочнев А.А. Применение искусственных нейронных сетей в прогнозировании // Научные горизонты. 2023. № 1 (65). С. 48-57.
15 . Кумратова А.М., Чумаренко К.Э. Прогнозирование сложных процессов нейронными сетями // Современная экономика: проблемы и решения. 2023. № 3 (159). С. 27-36. DOI: 10.17308/meps/2078-9017/2023/3/27-36.
16 . Абрамов А.В. Прогнозирование валютного курса EUR/USD с использованием нейронных сетей // Ученые записки. Электронный научный журнал Курского государственного университета. 2012. № 4-2 (24). С. 71-76.
17 . Ломакин Н.И., Максимова О.Н., Экова В.А. и др. Нейронные сети для прогнозирования курса доллара с использованием астpологических циклических индексов Гюшон и Ганю // Международный журнал прикладных и фундаментальных исследований. 2016. № 6-1. С. 133-136.
18 . Гринева Н.В. Построение нейронной сети для прогнозирования цены опциона // Проблемы экономики и юридической практики. 2022. Т. 18. № 5. С. 190-199.
19 . Bloomberg создал аналог модели искусственного интеллекта GPT в области финансов. URL: https://www.forbes.ru/tekhnologii/487606-bloomberg-sozdal-analog-modeli-iskusstvennogo-intellekta-gpt-v-oblasti-finansov (дата обращения: 12.12.2023).
20 . Кочеваткина Э.Ф., Миляева Н.В., Устинова Н.Н. Применение нейронных сетей для прогнозирования экономических явлений // Modern Economy Success. 2022.№ 2. С. 100-106.
21 . Как Яндекс применил генеративные нейросети для поиска ответов. URL: https://habr.com/ru/companies/yandex/articles/561924/ (дата обращения: 12.12.2023).
22 . ESG and artificial intelligence (AI) - statistics & facts. URL: https://www.statista.com/topics/11077/esg-and-ai/#topicOverview (дата обращения: 10.12.2023).
23 . Бардаков А.А., Корнилов Д.А. Реинжиниринг бизнес-процессов в структуре методов повышения эффективности деятельности организации // Управление экономическими системами: электронный научный журнал. 2019. № 8 (126). С. 3.
24 . Global total corporate artificial intelligence (AI) investment from 2015 to 2022. URL: https://www.statista.com/statistics/941137/ai-investment-and-funding-worldwide/ (дата обращения: 10.12.2023).
25 . Корнилова Е.В., Захаров В.Я., Корнилов Д.А. Оценка устойчивого развития и формирование рейтинга устойчивости регионов страны // Развитие и безопасность. 2023. № 1 (16). С. 30-49. DOI: 10.46 960/2713-2633_2023_1_36.