УДК 330.341.1
DOI: 10.36871/2618-9976.2025.06.009
Авторы
Арсений Романович Поздняков,
Магистрант, Национальный Исследовательский Университет Высшая Школа Экономики
Аннотация
Современные модели машинного обучения активно внедряются в практику финансового анализа, включая задачи оценки устойчивости предприятий. Целью статьи является сравнительный анализ алгоритмов логистической регрессии, случайного леса, XGBoost и нейросетевых моделей с точки зренияточности прогнозирования, интерпретируемости и практической применимости в задачах диагностики финансовой устойчивости. Методологическая основа исследования включает теоретический обзор моделей, сравнительную характеристику по ключевым критериям (объём и структура данных, устойчивость к шуму, требования к объяснению результатов), а также систематизацию условий, при которых та или иная модель является предпочтительной. Показано, что точность и гибкость алгоритмов должны дополняться требованиями кпрозрачности и управляемости модели. На основе анализа предложены рекомендации по выбору моделей в зависимости от целей анализа, качества доступных данных и уровня аналитической зрелости компании. Обоснована целесообразность использования поэтапного и гибридного подходов к внедрению интеллектуальных моделей в систему управления финансовыми рисками.
Ключевые слова
финансовая устойчивость
машинное обучение
логистическая регрессия
XGBoost
случайный лес
нейросеть
интерпретируемость
рискоценка
алгоритмы прогнозирования
explainable AI
