АЛГОРИТМЫ СИСТЕМ ПРЕДИКТИВНОГО МОДЕЛИРОВАНИЯ В ФИНАНСОВОМ АНАЛИЗЕ
Ключевые слова:
предиктивное моделирование, регрессионный анализ, машинное обучение, градиентный бустинг, регуляризация, подбор гиперпараметров, кросс-валидация, интерпретируемость моделей.Аннотация
Статья посвящена исследованию технологического стека и алгоритмического обеспечения систем предиктивной аналитики. Рассматривается полный жизненный цикл модели машинного обучения, включающий сбор и предобработку гетерогенных данных, проектирование признаков, выбор и обучение алгоритмов, валидацию и промышленное развертывание. В статье проводится детальный анализ архитектуры регрессионных моделей машинного обучения, применяемых в задачах предиктивного финансового моделирования. Особое внимание уделяется техническим аспектам реализации. Рассмотрены методы обработки данных в части порождения признаков и борьбы с мультиколлинеарностью и практические аспекты использования библиотек Scikit-learn, XGBoost и Statsmodels для построения, валидации и интерпретации моделей.
Список литературы
Абдикеев Н.М., Китова О.В. Системы управления эффективностью бизнеса. М.: Инфра-М, 2024. 456 с.
Дьяконов А.Г., Корягин Д.А. Современные методы анализа данных в финансах: учебное пособие. СПб.: Лань, 2023. 312 с.
Столярова А.С. Цифровая трансформация финансовой отрасли: вызовы, возможности и перспективы // Цифровая экономика глазами студентов: материалы IV Международной научной конференции. Казань, 2024. С. 237-240.
Смирнов И.П., Кузнецова Е.В. Машинное обучение в экономике и финансах: практикум на Python. М.: ДМК Пресс, 2023. 284 с.
Тихомиров Н.П. Финансовый анализ: современные методы и технологии. М.: Юрайт, 2024. 398 с.
Федеральная служба государственной статистики. [Электронный ресурс]. URL: https://rosstat.gov.ru (дата обращения: 15.10.2025).
