По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2304-06

Когнитивная модель прогнозирования устойчивости экономики в условиях рыночной неопределенности и риска

Николай Иванович Ломакин кандидат экономических наук, доцент ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, e-mail: tel9033176642@yahoo.com, ORCID: 0000-0001-6597-7195
Максим Сергеевич Марамыгин доктор экономических наук, профессор, директор Института финансов и права, профессор кафедры финансов, денежного обращения и кредита ФГБОУ ВО «Уральский государственный экономический университет», Россия, 620144, г. Екатеринбург, ул. 8 Марта, д. 62, e-mail: maram_m_s@mail.ru, ORCID: 0000-0003-3416-775X
Геннадий Иванович Лукьянов доктор философских наук, профессор кафедры экономики и менеджмента, Волжский политехнический институт (филиал) ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 404121, Волгоградская область, г. Волжский, ул. Энгельса, д. 42а, e-mail: viepptgp@mail.ru, ORCID: 0000-0001-5852-2360
Вера Николаевна Цыганкова кандидат экономических наук, доцент ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, e-mail: verats1@mail.ru, ORCID: 0000-0002-0133-7946
Дамир Дмитриевич Соловьев магистрант ВЭМ-2, кафедры экономики и менеджмента, Волжский политехнический институт (филиал) ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 404121, Волгоградская область, г. Волжский, ул. Энгельса, д. 42а, e-mail: damirka0000@gmail.com, ORCID:0000-0002-0920-5155
Никита Тимофеевич Шабанов магистрант кафедры менеджмента и финансов производственных систем ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, e-mail: shabanovnt1999@gmail.com, , ORCID: 0000-0002-2240-5725

В статье рассмотрены теоретические основы прогнозирования устойчивости экономики России в условиях рыночной неопределенности и риска с применением когнитивной модели. Актуальность исследования состоит в том, что острой проблемой в современных условиях становится вопрос формирования методологических подходов для сбалансированного устойчивого развития экономики и сферы финансов. Новизна заключается в том, что в проведенном исследовании предложен подход, который предполагает использовать когнитивную модель, сформированную в среде GraphViz с применением семантической фреймовой сети в виде графов на языке программирования DOT. Проведен анализ динамики как макроэкономических показателей реального сектора экономики, так и параметров развития финансового сектора РФ. Разработаны три AI-модели «персептрон» с использованием платформы Deductor для прогноза динамики ВВП РФ. Критерием успешности предиктивных свойств AI-моделей была выбрана величина средней ошибки прогноза. Сравнение осуществлялось всякий раз, цикл за циклом, при исключении из модели факторов, имеющих слабую связь с результативным признаком — прогнозным значением величины ВВП и последующей заменой на другой, имеющий более высокое значение коэффициента корреляции. Кроме того, в рамках цикла при необходимости могут быть изменены гиперпараметры модели: количество скрытых слоев, узлов на входном и скрытых слоях. В предложенной нейросети архитектура предполагает помимо входного слоя использование двух скрытых слоев и выходного слоя с одним параметром. Однако в проведенном эксперименте гиперпараметры нейросетей не менялись. Нейросети показывали высокую точность прогноза.

Литература:

1. Матохина, А. В., Шабалина, О. А., Камаев, В. А., Кизим, А. В. Практикум по системам управления знаниями в организационно-экономических и производственно-технических системах: Учебное пособие. — Волгоград: ВолгГТУ, 2015. — Ч. 1. — 141 с.

2. Ломакин, Н. И., Пескова, О. С., Юрова, О. В., Кабина, В. В., Федоровская, Э. О. Neural network «Персептрон» и семантическая модель представления знаний для исследования динамики ВВП РФ // Наука Красноярья. — 2022. — Т. 11. — № 2. — C. 68–84. DOI: 10.12731/2070-7568-2022-11-2-68-84.

3. Куцури, Т. Г. Сбалансированная банковская политика формирования пассивов. Кандидатская 5.2.4. — Финансы / 08 — Экономические науки [Электронный ресурс]. — URL: https://www.nosu.ru/nauka/ dissertacionnye-sovety/objavlenija-o-zashhite/doktorskih-i-kandidatskih-dissertacij-po-jekonomicheskimnaukam-d212-248-06/kucuri-tamara-georgievna-2/ (дата обращения: 13.11.2022).

4. ВВП России по годам: 1991–2022 // Мировые финансы [Электронный ресурс]. — URL: http://globalfi nances.ru/vvp-rossii-po-godam/ (дата обращения: 13.11.2022).

5. Лейбов, В. Российские банки: финансовые итоги 2021 года // Finversia, 14.02.2022 [Электронный ресурс]. — URL: https://www.fi nversia.ru/publication/rossiiskie-banki-finansovye-itogi-2021-goda-108693 (дата обращения: 08.06.2022).

6. Парикова, Е. И. Статистический анализ просроченной задолженности коммерческих банков РФ // Молодой ученый. — 2016. — № 12 (116). — С. 1397–1399. [Электронный ресурс]. — URL: https://moluch.ru/ archive/116/31606/ (дата обращения: 13.11.2022).

7. Стоимость под риском [Электронный ресурс]. — URL: https://yandex.ru/search/?clid=2285101&text=VaR &lr=10951 (дата обращения: 16.11.2022).

8. Евкова, А. Устойчивое экономическое развитие — концепция, теория и основные показатели [Электронный ресурс]. — URL: https://www.evkova.org/ustojchivoe-ekonomicheskoe-razvitie-kontseptsiya-teoriya-iosnovnyie-pokazateli (дата обращения: 13.11.2022).

9. Канчана, В., Ломакин, Н. И., Шабанов, Н. Т., Крюкова, С. Ю., Наумова, С. А., Репин, Я. А., Ломакин, И. Н., Радионова, Е. А. AI-cистема, корреляционно-регрессионная и VaR-модель для прогнозирования просроченной задолженности коммерческих банков РФ и анализа финансового риска // Международная экономика. — 2022. — Т. 19. — № 6. — C. 450–464. DOI: 10.33920/vne-04-2206-05.

10. Cognitive_model_2 [Электронный ресурс]. — URL: https://colab.research.google.com/drive/1bwIwaNVT jecILHQnzLG379dYGiiBrQKd#scrollTo=dra_0nHQhqY- (дата обращения: 13.11.2022).

11. Рекурсивное устранение признаков [Электронный ресурс]. — URL: https://medium.com/nuances-of-pr ogramming/%D0%BF%D0%BE%D1%88%D0%B0%D0%B3%D0%BE%D0%B2%D0%BE%D0%B5-%D0%BF%D0%BE %D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5-%D0%BB%D0%BE%D0%B3%D0%B8% D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9-%D1%80%D0%B5%D0%B3%D1 %80%D0%B5%D1%81%D1%81%D0%B8%D0%B8-%D0%B2-python-a7c650ae77c2 (дата обращения: 13.11.2022).

12. Исходные данные для формирования датасета AI-модели [Электронный ресурс]. — URL: https://docs. google.com/spreadsheets/d/11SSVfD7QDpps-Z9A3A7C-NG9I9hMQRP1uKIvMO7A3tw/edit#gid=732039572 (дата обращения: 10.12.2022).

13. Felmer, G., Shid, A. Introduction to stochastic finance. Discrete time. — M.: ICMNO, 2008. — 496 c.

14. Понятие устойчивости финансовой системы [Электронный ресурс]. — URL: https://studfi le.net/ preview/2452514/page:11/ (дата обращения: 13.11.2022).

15. Что такое финансовая стабильность [Электронный ресурс]. — URL: https://whatiscentralbank.hse.ru/2 (дата обращения: 13.11.2022).

16. Fama, E. F., MacBeth, J. D. Risk, Return and Equilibrium: Empirical Tests // Journal of Political Economy. — 1973. — Vol. 81. — Iss. 3. — Pp. 607–636.

17. Обзор финансовой стабильности. II–III кварталы 2021 года // Банк России [Электронный ресурс]. — URL: https://www.tadviser.ru/images/4/49/2_3_q_2021.pdf (дата обращения: 13.11.2022).

18. Trejo, P. What is the difference between component analysis and cognitive semantics? IJCAI-PRICAI Special Track AI in FinTech 2021 [Электронный ресурс]. — URL: https://translated.turbopages.org/proxy_u/ en-ru.ru.e0373bd7-634e4895-2c067191-74722d776562/https/www.quora.com/What-is-the-contrast-ofcomponential-analysis-and-cognitive-semantics (дата обращения: 20.10.2022).

19. Louppe, G., Wehenkel, L., Sutera, A., Geurts, P. Understanding variable importances in forests of randomized trees. Proceedings of the 26th international conference on neural information processing system, vol. 1. — Curran Associates Inc., New York, 2013, pp. 431–439.

20. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. Classifi cation and regression Trees. — New-York: Routledge, 1984. — 368 p

1. Matokhina, A. V., Shabalina, O. A., Kamaev, V. A., Kizim, A. V. (2015). Praktikum po sistemam upravleniia znaniiami v organizatsionno-ekonomicheskikh i proizvodstvenno-tekhnicheskikh sistemakh. Chast’ 1. Uchebnoe posobie [Practicum on knowledge management systems in organizational, economic and production and technical systems. Part 1. Textbook]. Volgograd: VolgGTU. 141 p. (in Russian).

2. Lomakin, N. I., Peskova, O. S., Yurova, O. V., Cabin, V. V., Fedorovskaya, E. O. (2022). Neural network "Perseptron" i semanticheskaia model’ predstavleniia znanii dlia issledovaniia dinamiki VVP RF [Neural network «Perceptron» and a semantic model of knowledge representation for studying the dynamics of the GDP of the Russian Federation]. Nauka Krasnoyarya [Science of Krasnoyarsk]. Vol. 11, no. 2, pp. 68–84. DOI: 10.12731/2070-7568-2022-11-2-68-84 (in Russian).

3. Kutsuri, T. G. Sbalansirovannaia bankovskaia politika formirovaniia passivov [Balanced banking policy for the formation of liabilities]. Ph.D. 5.2.4. — Finance / 08 — Economic sciences. — Available at: https://www. nosu.ru/nauka/dissertacionnye-sovety/objavlenija-o-zashhite/doktorskih-i-kandidatskih-dissertacij-pojekonomicheskim-naukam-d212-248-06/kucuri-tamara-georgievna-2/ (accessed: 13.11.2022) (in Russian).

4. Russian GDP by years: 1991–2022. Global Finances. — Available at: http://global-finances.ru/vvp-rossii-pogodam/ (accessed: 13.11.2022) (in Russian).

5. Leibov, V. (2022). Russian banks: financial results for 2021. Finversia. — Available at: https://www.fi nversia.ru/ publication/rossiiskie-banki-fi nansovye-itogi-2021-goda-108693 (accessed: 08.06.2022) (in Russian).

6. Parikova, E. I. (2016). Statisticheskij analiz prosrochennoj zadolzhennosti kommercheskih bankov RF [Statistical analysis of overdue debt of commercial banks in the Russian Federation]. Molodoj uchenyj [Young scientist]. No. 12 (116), pp. 1397–1399. — Available at: https://moluch.ru/archive/116/31606/ (accessed: 13.11.2022) (in Russian).

7. Cost at risk. — Available at: https://yandex.ru/search/?clid=2285101&text=VaR&lr=10951 (accessed 16.11.2022) (in Russian).

8. Evkova A. Sustainable economic development — concept, theory and main indicators. — Available at: https://www.evkova.org/ustojchivoe-ekonomicheskoe-razvitie-kontseptsiya-teoriya-i-osnovnyie-pokazateli (accessed: 13.11.2022) (in Russian).

9. Vimalarathne, K., Lomakin, N. I., Shabanov, N. T., Kryukova, S. Yu., Naumova, S. A., Repin, Ya. A., Lomakin, I. N., Radionova, E. A. (2022). AI-cistema, korrelyacionno-regressionnaya i VaR-model’ dlya prognozirovaniya prosrochennoj zadolzhennosti kommercheskih bankov RF i analiza finansovogo riska [AI-system, correlationregression and VaR-model for forecasting overdue debts of commercial banks of the Russian Federation and analysis of financial risk]. Mezhdunarodnaia ekonomika [The World Economics]. Vol. 19, no. 6, pp. 450–464. DOI: 10.33920/vne-04-2206-05 (in Russian).

10. Cognitive_model_2. — Available at: https://colab.research.google.com/drive/1bwIwaNVTjecILHQnzLG379 dYGiiBrQKd#scrollTo=dra_0nHQhqY- (accessed: 13.11.2022) (in Russian).

11. Recursive feature elimination. — Available at: https://medium.com/nuances-of-programming/%D0%BF% D0%BE%D1%88%D0%B0%D0%B3%D0%BE%D0%B2%D0%BE%D0%B5-%D0%BF%D0%BE%D1%81%D1%82%D 1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5-%D0%BB%D0%BE%D0%B3%D0%B8%D1%81%D1%82%D 0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9-%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1 %81%D1%81%D0%B8%D0%B8-%D0%B2-python-a7c650ae77c2 (accessed: 13.11.2022) (in Russian).

12. Initial data for the formation of the AI-model dataset. — Available at: https://docs.google.com/spreadsheets/ d/11SSVfD7QDpps-Z9A3A7C-NG9I9hMQRP1uKIvMO7A3tw/edit#gid=732039572 (accessed: 10.12.2022) (in Russian).

13. Felmer, G., Shid, A. (2008). Introduction to stochastic finance. Discrete time. Moscow: ICMNO, 496 p.

14. The concept of stability of the financial system. — Available at: https://studfi le.net/preview/2452514/ page:11/ (accessed: 13.11.2022) (in Russian).

15. What is financial stability. — Available at: https://whatiscentralbank.hse.ru/2 (accessed: 13.11.2022) (in Russian).

16. Fama, E. F., MacBeth, J. D. (1973). Risk, Return and Equilibrium: Empirical Tests. Journal of Political Economy. Vol. 81, iss. 3, pp. 607–636

17. Review of financial stability. II–III quarters of 2021. Bank of Russia. — Available at: https://www.tadviser.ru/ images/4/49/2_3_q_2021.pdf (accessed: 13.11.2022) (in Russian).

18. Trejo, P. What is the difference between component analysis and cognitive semantics? IJCAI-PRICAI Special Track AI in FinTech 2021. — Available at: https://translated.turbopages.org/proxy_u/en-ru.ru.e0373bd7-634e48952c067191-74722d776562/https/www.quora.com/What-is-the-contrast-of-componential-analysis-and-cognitivesemantics (accessed: 20.10.2022).

19. Louppe, G., Wehenkel, L., Sutera, A., Geurts, P. Understanding variable importances in forests of randomized trees. Proceedings of the 26th international conference on neural information processing system, vol. 1. Curran Associates Inc., New York, 2013, pp. 431–439.

20. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. Classification and regression Trees. New-York: Routledge, 1984. 368 p.

Дата поступления рукописи в редакцию: 11.12.2022.

Дата принятия рукописи в печать: 02.02.2023.

Как известно, устойчивое развитие экономики определяется тем, что в процессе своего развития она не приходит к необратимым социально-экономическим последствиям. Устойчивое развитие как концепция рассчитывает на обеспечение баланса между разрешением социально-экономических проблем и сохранением окружающей среды, а также удовлетворением жизненных потребностей человека. Любая деятельность и в том числе финансовая сопряжена с финансовым риском. Важное значение имеет исследование теоретических основ прогнозирования устойчивости экономики России в условиях рыночной неопределенности и риска с применением когнитивной модели.

Актуальность исследования состоит в том, что острой проблемой в современных условиях остается вопрос формирования методологических подходов для достижения сбалансированного устойчивого развития экономики и сферы финансов.

Новизна заключается в том, что в проведенном исследовании предложен подход, который предполагает подбор и дальнейшее использование некоторого набора макроэкономических показателей, финансовых параметров и статистических данных, которые отражают динамику развития как реального сектора экономики, так и финансового сектора для прогнозирования ВВП РФ. Обработка полученных данных осуществлялась с применением AI-систем «персептрон» и нейросетевых многофакторных корреляционно-регрессионных моделей, которые были сформированы в среде Collab с использованием библиотеки pandas и языка Python.

Общеизвестно, что финансовый риск представляет собой риск, который связан с вероятностью потерь финансовых ресурсов, в частности денежных средств. С проблемой минимизации финансовых рисков человечество столкнулось одновременно с появлением товарно-денежных отношений. Например, в отношениях инвестор — эмитент, кредитор — заемщик, продавец — покупатель, экспортер — импортер и других финансовые риски являются неотъемлемой составляющей, особенно в условиях рыночной неопределенности. Как показывает практика, рыночная неопределенность выражается в качестве некоторых условий, в которых протекает процесс принятия экономических решений, изменение которых трудно предугадать и оценить. Неполнота информации была и остается всегда, следовательно, рыночную неопределенность нельзя устранить вообще, но можно снизить ее степень.

Для Цитирования:
Николай Иванович Ломакин, Максим Сергеевич Марамыгин, Геннадий Иванович Лукьянов, Вера Николаевна Цыганкова, Дамир Дмитриевич Соловьев, Никита Тимофеевич Шабанов, Когнитивная модель прогнозирования устойчивости экономики в условиях рыночной неопределенности и риска. Международная экономика. 2023;4.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: