УДК 330.43:004.94
DOI: 10.36871/2618-­9976.2026.05.009

Авторы

Артемий Сергеевич Захаров,
Аспирант факультета Информационных технологий, Московский Университет «Синергия», Москва, Россия

Аннотация

Цель  исследования – теоретическое  обоснование  возможностей  использования  текстовых  данных  для  количественной  оценки  экономической  неопределённости  и  настроений  на  основе  формирования  модели  экономической  интерпретации текстовой информации. Материалы исследования включают  в  себя  научные  труды  в  предметной  области  анализа  текстовых  данных,  оценки  рыночных  ожиданий  и  применения методов обработки естественного языка в экономике. В  статье использованы структурный и сравнительный анализ, дедуктивное  моделирование,  концептуальное  обобщение  научных подходов. Результат исследования: предложены авторские  модели  экономической  интерпретации  текстовых  данных и формирования их аналитического потенциала, отражающие  преобразование  смыслового  содержания  текстов  в  экономически  интерпретируемый  сигнал.  Выводы: а)  текстовые  данные  позволяют  выявлять  ранние  изменения  рыночных  ожиданий  и  оценок  экономической  среды; б)  их  использование  расширяет  информационную  базу  анализа  за  счёт  включения  смысловых  и  оценочных  характеристик; в)  развитие  методов  количественной  оценки  неопределённости  и  настроений  связано  с  интеграцией  текстовых  данных в систему экономического анализа.

Ключевые слова

текстовые данные
экономическая неопределённость
рыночные ожидания
анализ настроений
обработка естественного языка
экономическая интерпретация

Список литературы

[1] Бдоян Д.Г., Манаширов Э.С. Турецкое экономическое чудо как миф // Oriental Studies. 2025. Т. 18. № 4. С. 795–810. DOI 10.22162/2619­0990­2025­80­4­795­810. EDN ZPHPNY.

[2] Бурцев В.А. Интеграция  автоматизированных модулей  в  цифровые  бизнес­системы как  инструмент  повышения  финансового  контроля  в  малом  и  среднем  бизнесе  // Экономика  и  предпринимательство. 2025.  №  7(180). С. 807–813. DOI 10.34925/ EIP.2025.180.7.141. EDN JFFFHI.

[3] Бурцев В.А. От кода к системе: авторский подход к управлению, UX и эффективности цифровых решений. Часть первая / В.А. Бурцев. Москва: ООО «Высшая школа  образования», 2025. 259 с. ISBN 978­5­605­48220­8. EDN FHXIXD.

[4] Бурцев В.А. Экономическая рациональность UX­решений: модель расчёта возврата  инвестиций  в  пользовательский  опыт  //  Экономика  строительства. 2025.  №  6. С. 53–57. EDN AYLTHQ.

[5] Бурый А.С. Инженерная экология: подготовка специалистов на основе интеграции  практико­ориентированных  технологий  //  Современное  педагогическое  образование. 2024. № 11. С. 281–288. EDN PMHDCM.

[6] Бурый А.С. Методика интеграции цифровых образовательных технологий в подготовку инженеров­экологов:  от  теории  к  практико­ориентированным моделям // Современное профессиональное образование. 2025. № 2. С. 113–119. EDN AUUDNY.

[7] Бурый А.С., Козлова О.Л. Метод  автономной  оценки  радиационной  обстановки  в  помещениях  радиационно­опасных  объектов  с  целью  повышения экологической  и  производственной  безопасности  // Сomponents of Scientific and Technological Progress. 2026. № 1. С. 42–47.

[8] Валиотти Н.А. Нейросетевая  модель  для  дифференцированной  оценки  влияния  одновременных внешних событий в сфере розничной торговли // Вестник СанктПетербургского  университета.  Прикладная  математика.  Информатика.  Процессы  управления. 2014. № 2. С. 111–119.

[9] Екимова Н.А. Индикаторы  раннего  предупреждения  кризисов:  в  поисках  новых  подходов  //  Вестник  УрФУ.  Серия:  Экономика  и  управление. 2017. Т. 16.  №  6. С. 985–1002.

[10] Иванов А.И., Тарасов Д.В. Численный алгоритм нейросетевого распознавания персистентного  и  антиперсистентного  состояний  рынка  //  Известия  высших  учебных  заведений.  Поволжский  регион.  Физико­математические  науки. 2024.  №  2 (70). С. 63–73.

[11] Карпович С.Н., Смирнов А.В., Тесля Н.Н. Учет неизвестных слов в вероятностной тематической модели // Информационные технологии и вычислительные системы. 2020. № 4. С. 111–124.

[12] Косарев В.С., Хубежова Д.И., Аникутин М.Ю., Швецов О.А. Применение современных  языковых  моделей  для  прогнозирования  макроэкономических  показателей  // Экономический журнал Высшей школы экономики. 2025. Т. 29. № 4. С. 667–690.

[13] Рыбников К.К., Чернышова А.Г., Евсеев Н.В. Об одном классе математических методов  анализа  временных  рядов.  Возможности  прогнозирования  и  апостериорных  исследований особенностей социально­экономических процессов // Лесной вестник. Forestry Bulletin. 2017. Т. 21. № 6. С. 109–113.

[14] Beltman J., Machado M.R., Osterrieder J.R. Predicting Retail Customers’ Distress in the Finance Industry: An Early Warning System Approach. Journal of Retailing and Consumer Services, 2025, vol. 82, pp. 1–17.

[15] Fejes J.K., Katits E.É. Developing Early Warning Systems in the Era of Company Crisis Prevention. International Journal of Science and Social Science Research [IJSSSR], 2025, no. 9, pp. 1–24.

[16] Klopotan I., Zoroja J., Meško M. Early Warning System in Business, Finance, and Economics: Bibliometric and Topic Analysis. International Journal of Engineering Business Management, 2018, vol. 10, pp. 1–12.

[17] Lai M. Analysis of Financial Risk Early Warning Systems of High­Tech Enterprises under Big Data Framework. Scientific Programming, 2022, vol. 2022, no. 1, pp. 1–9.

[18] Liu C. Research on Corporate Financial Risk Prediction and Early Warning System Based on Big Data Analysis. International Conference on Computational Finance and Business Analytics. Cham: Springer Nature Switzerland, 2024. pp. 209–218.

[19] Namaki A., Eyvazloo R., Ramtinnia S. A Systematic Review of Early Warning Systems in Finance. arXiv preprint arXiv [q­fin.GN], 2023, no. 9, pp. 1–20.

[20] Reimann C. Predicting Financial Crises: An Evaluation of Machine Learning Algorithms and Model Explainability for Early Warning Systems. Review of Evolutionary Political Economy, 2024, vol. 5, no. 1, pp. 51–83.