Применение нейросетей в прогнозировании экономических процессов в условиях неопределенности

В последние годы прослеживается тенденция активного развития нейросетевых технологий. Нейросети являются предметом исследования различных наук: экономических, математических, информационных, статистических и т. д. Преимуществами использования нейросетей в различных видах деятельности являются их адаптивность, возможность обработки большого количества переменных, высокая степень достоверности, а также возможность перенастройки созданной модели при изменении параметров. Модели нейросетевого прогнозирования особенно широко применяются в финансово-экономической сфере, так как в ней наиболее часто используются аналитические показатели. В статье продемонстрированы преимущества нейросетевых моделей в сравнении с традиционными способами обработки информации при прогнозировании экономических показателей. Нейросети позволяют проследить динамику различных экономических показателей – прогнозов инфляции, потребительских цен, человеческого капитала и т. д. Кроме того, нейросети можно комбинировать с другими способами обработки информации (в частности, с эконометрическими), что открывает дополнительные возможности их использования. Авторами приводятся перспективы развития нейросетей в аналитических системах.

1. Апатова Н. В., Попов В. Б. Прогнозирование банкротства предприятий с использованием искусственного интеллекта // Научный вестник: финансы, банки, инвестиции. – 2020. – № 2 (51). – С. 113–120.

2. Балацкий Е. В., Екимова Н. А., Юревич М. А. Краткосрочное прогнозирование инфляции на основе маркерных моделей // Проблемы прогнозирования. – 2019. – № 5 (176). – С. 28–40.

3. Балацкий Е. В., Юревич М. А. Использование нейронных сетей для прогнозирования инфляции: новые возможности // Вестник УрФУ. Серия: Экономика и управление. – 2018. – Т. 17. – № 5. – С. 823–838.

4. Балацкий Е. В., Юревич М. А. Прогнозирование инфляции: практика использования синтетических процедур // Мир новой экономики. – 2018. – Т. 12. – № 4. – С. 20–31.

5. Баринова Н. В., Баринов В. Р. Применение систем искусственного интеллекта для достижения целей устойчивого развития // Вестник Российского экономического университета имени Г. В. Плеханова. – 2023. – Т. 20. – № 6 (132). – С. 26–36.

6. Баринова Н. В., Баринов В. Р. Цифровая экономика, искусственный интеллект, индустрия 5.0: вызовы современности // Вестник Российского экономического университета имени Г. В. Плеханова. – 2022. – Т. 19. – № 5 (125). – С. 23–34.

7. Вавилова Д. Д., Кетова К. В. Нейросетевая модель прогнозирования человеческого капитала // Интеллектуальные системы в производстве. – 2020. – Т. 18. – № 1. – С. 26–35.

8. Ведяхин А. Сильный искусственный интеллект: на подступах к разуму // Искусственный интеллект: на подступах к сверхразуму. – М. : Интеллектуальная литература, 2021.

9. Кетова К. В., Вавилова Д. Д. Оценка тенденций изменения человеческого капитала социально-экономической системы на основе применения алгоритма нейросетевого прогнозирования // Экономические и социальные перемены: факты, тенденции, прогноз. – 2020. – Т. 13. – № 6. – С. 117–133.

10. Краюшкин М. Г. Совершенствование прогнозирования социально-экономического развития региона // Экономика и управление: проблемы, решения. – 2024. – Т. 2. – № 4 (145). – С. 124–132.

11. Селютин М. И. Построение имитационной модели прогнозирования неплатежеспособности предприятия с применением технологии нейронных сетей // Труды Дальневосточного политехнического института им. В. В. Куйбышева. – 2000. – № 127. – С. 132–138.

12. Aiken M. Using a Neural Network to Forecast Inflation // Industrial Management & Data Systems. – 1999. – Vol. 99. – Issue 7. – P. 296–301.

13. Alon I., Qi M., Sadowski R. J. Forecasting Aggregate Retail Sales: a Comparison of Artificial Neural Net-Works and Traditional Methods // Journal of Retailing and Consumer Services. – 2001. – Vol. 8. – Issue 3. – P. 147–156.

14. Altman E., Hotchkiss E. Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt. – 3rd edition. – John Wiley and Sons, Ltd., 2006.

15. Aminian F., Suarez E. D., Aminian M., Walz D. T. Forecasting Economic Data with Neural Networks // Computational Economics. – 2006. – Vol. 28. – Issue 1. – P. 71–88.

16. Beaver W. H. Financial Ratios as Predictors of Failure, Empirical Research in Accounting Selected Studies // Supplement to Journal of Accounting Research. – 1966. – N 4. – P. 71–111.

17. Faust J., Wright J. H. Comparing Greenbook and Reduced form Forecasts Using a Large Real-Time Dataset // Journal of Business & Economic Statistics. – 2009. – Vol. 27 (4). – P. 468–479.

18. Lockard R. P., Zmazneva O. A., Volnov I. N. Artificial Intelligence: Are Humans Protected from the Systems they Created? // Вестник МГПУ. Серия «Философские науки». – 2021. – № 3 (39). – Р. 47–55.

19. Swanson N. R., White H. A Model Selection Approach to Real-Time Macroeconomic Forecasting Using Linear Models and Artificial Neural Networks // Review of Economics and Statistics. – 1997. – Vol. 79. – Issue 4. – P. 540–550.