УДК 330.131.7
DOI: 10.36871/ek.up.p.r.2025.03.06.017

Авторы

Луиза Шамсудиновна Янгульбаева,
Чеченский государственный университет имени А. А. Кадырова, Грозный, Российская Федерация
Алексей Иванович Симорин,
Донской государственный технический университет (ДГТУ), Ростов-на-Дону, Российская Федерация
Дени Тамерланович Гериханов,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Российская Федерация

Аннотация

В условиях глобальной экономической нестабильности и высокой информационной перегруженности задача выявления скрытых экономических рисков приобретает стратегическую значимость для финансовых институтов и регуляторов. В данной статье рассматриваются теоретические и практические аспекты разработки алгоритмов машинного обучения, направленных на анализ больших наборов финансовых данных с целью прогнозирования и минимизации потенциальных рисков. Представлен междисциплинарный подход, сочетающий методы глубокого обучения, стохастического моделирования, понижения размерности и статистического анализа. Обоснована эффективность применения нейронных сетей, алгоритмов случайного леса, методов опорных векторов и ансамблевых моделей для выявления нелинейных зависимостей и скрытых структурных взаимосвязей в экономических данных. Особое внимание уделено вопросам предварительной обработки данных, регуляризации моделей, а также адаптивных методов оптимизации, включая алгоритм Adam.

Ключевые слова

машинное обучение, экономические риски, большие данные, нейронные сети, глубокое обучение, финансовый анализ, прогнозирование