Все
 
 
 


Применение машинного обучения для анализа значимости факторов кризисных явлений
 
Код статьиS207751800030844-7-1
DOI10.18254/S207751800030844-7
Тип публикации Статья
Статус публикации Одобрена к публикации
Авторы
Семенов Семен  
Должность: Аспирант экономического факультета
Аффилиация: Московского государственного университета им М.В.Ломоносова
Адрес: Российская Федерация, Москва
Аннотация

В статье рассматриваются основные факторы экономических кризисов. Факторы проанализированы с помощью моделей машинного обучения. В исследовании применяются два алгоритма машинного обучения, деревья решений и градиентный бустинг. Деревья решений создаются путем разделения данных на подмножества на основе значения входных функций. Бустинг, ансамблевый метод, обучается путём объединения множества небольших моделей для создания финальной, прогнозирующей модели. Проведён детальный анализ научных работ на тему использования машинного обучения для анализа кризисных явлений. Распространённые факторы моделирования дополнены новыми, итоговые факторы включают в себя широкий список макроэкономических показателей, биржевых данных и социально-политических факторов. Данные были проанализированы с помощью статистического анализа временных рядов, далее данные были стандартизированы для применения в моделях машинного обучения. Параметры моделей подобраны на данных, с помощью метода кросс-валидации. Наиболее эффективные модели были использованы для анализа значимости факторов кризисных явлений.  Результаты показывают потенциал использования моделей машинного обучения в анализе кризисов, предлагает новые инструменты раннего обнаружения кризисов и использования результатов для стратегического планирования органами государственной власти. Будущие направления исследования включают в себя улучшения статистической интерпретации результатов машинного обучения, применение более сложных моделей и создание систем анализа в реальном времени.

Ключевые словапрогнозирование, экономический кризис, компьютерные эксперименты, машинное обучение
Получено17.07.2024
Кол-во символов20048
Скачать pdf Для скачивания PDF необходимо авторизоваться
100 руб.
При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Оглавление

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, Т. 6,  №. 4.  С. 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. – С. 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, Т. 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.  С. 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.  С. 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

Загрузка...
Вверх