УДК 330.43
DOI: 10.36871/ek.up.p.r.2024.12.04.002
Авторы
Сергей Юрьевич Бахвалов,
Елабужский институт (филиал) федерального государственного автономного образовательного учреждения высшего образования «Казанский (Приволжский) федеральный университет», Елабуга, Республика Татарстан
Татьяна Юрьевна Хаширова,
Кабардино-Балкарский государственный университет им. Х.М. Бербекова, Нальчик, Российская Федерация
Ирина Валерьевна Гладышева,
Российский университет дружбы народов имени Патриса Лумумбы, Москва, Российская Федерация
Аннотация
В статье рассматривается использование технологий машинного обучения (ML) для предсказания рыночных трендов, повышения точности прогнозов и улучшения аналитических процессов в условиях быстро меняющихся экономических реалий. Акцент сделан на анализе применения различных моделей машинного обучения, включая регрессионные методы, нейронные сети и гибридные подходы, в контексте финансового прогнозирования. Рассмотрены преимущества ML, такие как улучшение точности прогнозов и способность учитывать сложные взаимосвязи между различными экономическими и рыночными переменными. Также анализируются вызовы, с которыми сталкиваются исследователи и практики при использовании этих технологий, включая проблемы интерпретации и адаптации моделей к новым данным. В заключение обсуждаются перспективы развития ML в области финансовой аналитики и рынка в целом.
Ключевые слова
машинное обучение, прогнозирование рыночных трендов, нейронные сети, регрессионные модели, финансовая аналитика, алгоритмическая торговля, временные ряды, большие данные, макроэкономика, адаптивные модели.
