All
 
|
 
 


Application of Machine Learning for Crises Factor Significance Analysis
 
PIIS207751800030844-7-1
DOI10.18254/S207751800030844-7
Publication type Article
Status Approved
Authors
Semyon Semyonov 
Occupation: PhD student, Faculty of Economics
Affiliation: Lomonosov Moscow State University
Address: Russian Federation, Moscow
Abstract

This paper focuses on the main factors of economic crises. The factors are analysed via machine learning models. The article provides the detailed analysis of scientific papers of applications of machine learning for crises analysis. The article discusses an application of two machine learning algorithms, decision trees and gradient boosting. Decision trees are created by dividing data into subsets based on the value of the input features. The gradient boosting is an ensemble method, which is trained by combining many small models to create a final model. A detailed analysis of scientific research of machine learning applications for crises analysis is performed. The factors consists of macroeconomic indicators, stock market data and socio-political factors. The data is analyzed using statistical time series analysis and the data is standardized for machine learning models. Model parameters are selected based on the data using cross-validation method. The most effective models are used to analyze the significance of crises factors. The results show the potential of using machine learning models in crisis analysis. The conclusion provides with a potential for development of new tools for early detection of crises and strategic planning by government agencies. Future directions for research include improvement of statistical interpretation of machine learning results, application of more complex models  and creation of real-time analysis systems.

Keywordsforecasting, economic crises, computer experiments, machine learning
Received17.07.2024
Number of characters20048
Download pdf To download PDF you should sign in
100 rub.
When subscribing to an article or issue, the user can download PDF, evaluate the publication or contact the author. Need to register.

Table of contents

Введение
Метод
Данные для моделирования
Результаты
Заключение
1

Введение

Фокус данной статьи направлен на изучение кризисных явлений в экономике, поиск и анализ факторов, влияющих линейно и нелинейно на наступление кризисных явлений. Для анализа используются модели машинного обучения, позволяющие рассматривать типы взаимосвязей, труднодоступных для классического статического анализа.
2 Целью исследования является выявление факторов наступления экономических кризисов. В качестве объекта исследования выбраны кризисные явления экономики США по двум причинам. Первая причина связана с тем, что для исследований доступны численные данные многочисленных областей экономики и общественной жизни США, которые построены на длинном, непрерывном периоде наблюдений. Например, Национальное бюро экономических исследований (NBER), предоставляющее данные о периодах рецессии, существует с 1920 года. C точки зрения консистентности, постоянства обновления и качества данных эти базы являются, пожалуй, наиболее надёжным источником для оценки различных экономических параметров.
3 Вторая причина заключается в значении экономики США, глобализации и влиянии кризисов в США на кризисы в других регионах мира. Взаимозависимость экономики США и мировой экономики построена на многогранных отношениях в сфере международной торговли, финансов и инвестиций. США являются одним из крупнейших импортеров и экспортеров в мире, в этой экономике расположены одни из крупнейших и наиболее влиятельных фондовых бирж, включая NYSE и NASDAQ. Двунаправленный поток капитала прямых инвестиций тесно связывает экономику США с экономиками других стран. Влияние экономического кризиса в Соединенных Штатах на мировую экономику огромно, о чем свидетельствуют такие события как Великая депрессия и финансовый кризис 2007–2008 годов. Таким образом, изучение влияния факторов экономических кризисов с использованием данных США позволяет не только использовать качественные числовые данные, но и частично экстраполировать выводы на другие регионы.
4 Экономический кризис представляет собой многогранное событие, проявляющееся в значимом снижении экономической активности. Определения кризиса разнятся от источника к источнику. В статье предполагается использование интерпретации кризисных дат согласно Национальному бюро экономических исследований [14]. Это определение предполагает значительное снижение активности во всех областях экономики, длящееся более чем несколько месяцев. Теоретическая часть исследования кризисов состоит из множества научных школ, таких как кейнсианство и монетаризм, политическая экономия, институционализм и поведенческая экономика. Эти школы дискутируют по поводу причин, следствий и основных факторов, влияющих на кризис.
5

Метод

В рамках данного исследования основной фокус направлен на эмпирический анализ факторов кризисных явлений, статья фокусируется на использовании технологий машинного обучения. Алгоритмы и выводы могут быть применены к другим направлениям искусственного интеллекта, в том числе к мультиагентным системам. 
1. Amos B. K. et al. Economic Cycle Prediction using Machine Learning–Russia Case Study.
2. Aydin A. D., Cavdar S. C. Prediction of financial crisis with artificial neural network: an empirical analysis on Turkey // International journal of financial research. 2015, T. 6,  №. 4.  S. 36.
3. Berliner L. M. Hierarchical Bayesian time series models // Maximum Entropy and Bayesian Methods: Santa Fe, New Mexico, USA, 1995 Proceedings of the Fifteenth International Workshop on Maximum Entropy and Bayesian Methods. – Springer Netherlands, 1996. – S. 15-22.
4. Borneklint N. Forecasting prices of Bitcoin and Google stock with ARIMA vs Facebook Prophet.  2021
5. Masini R. P., Medeiros M. C., Mendes E. F. Machine learning advances for time series forecasting //Journal of economic surveys. 2023, V. 37, №. 1. 
6. Navratil M., Kolkova A. Decomposition and forecasting time series in the business economy using prophet forecasting model // Central European Business Review. 2019, V. 8, №. 4.
7. Tarkocin C., Donduran M. Constructing early warning indicators for banks using machine learning models // The North American Journal of Economics and Finance. 2024, T. 69.
8. Taylor, S. J., and B. Letham. 2017. “Forecasting at Scale.” The American Statistician 72 (1): 37–45.
9. Tölö E. Predicting systemic financial crises with recurrent neural networks //Journal of Financial Stability.  2020, V. 49.  S. 100746.
10. Wang G. et al. Establishment of a financial crisis early warning system for domestic listed companies based on three decision tree models //Mathematical Problems in Engineering
11. Wang Z. et al. Economic recession prediction using deep neural network // arXiv preprint arXiv:2107.10980. – 2021.
12. Zhu F. et al. A Bayesian learning method for financial time-series analysis // IEEE Access. 2018, V. 6.  S. 38959-38966.
13. Energy Institute // URL: https://www.energyinst.org/statistical-review/resources-and-data-downloads  
14. Business Cycle Dating // https://www.nber.org  URL: https://www.nber.org/research/business-cycle-dating  
15. FRED // URL: https://fred.stlouisfed.org/ 
16. OECD // URL: https://stats.oecd.org/Index.aspx?QueryId=299#  
17. Finance Yahoo // URL: https://finance.yahoo.com/

Система Orphus

Loading...
Up