В статье проведено исследование теоретических подходов оценки устойчивости отечественной банковской системы и формирования модели, позволяющей прогнозировать ее развитие в современных условиях. Актуальность исследования в том, что в условиях рыночной неопределенности все более широко используются подходы с тем, чтобы обеспечить устойчивое развитие банковской системы с применением систем искусственного интеллекта. В ходе исследования выявлены коэффициенты парной корреляции между 11 факториальными признаками и результативным признаком «прирост прибыли» (%), сформирована матрица Гурвица. Проведен расчет определителя матрицы устойчивости банковской системы по критерию Гурвица. А также сформирована DL-модель RF Regression (DL-модель «Случайный лес»), позволяющая прогнозировать прирост прибыли банковской системы. DL-модель была сформирована на сервисе Collab c применением библиотек pandas, GridSearchCV, sklearn с использованием результатов работы 144 коммерческих банков по итогам 2023 г. Для расчета определителя квадратной матрицы размерностью 11х11 была написана специальная программа с использованием языка Python. Рассчитанные параметры DL-модели позволили, опираясь на значения коэффициентов уравнения регрессии, сформировать полином и оценить устойчивость банковской системы по критерию Гурвица. Полученная расчетная величина определителя матрицы Гурвица оказалась больше нуля, это означает, что банковская система в 2023 г. устойчива. Новизна заключается в том, что авторами предложены подходы, которые позволяют выявить сложившиеся закономерности в развитии банковской системы, получить прогноз динамики ее прибыли и оценить ее устойчивость с использованием критерия Гурвица. В работе выдвинута и доказана гипотеза, что с помощью DL-модели «Случайный лес» может быть получен прогноз прироста чистой прибыли коммерческих банков, что предопределяет устойчивость и динамику их развития. Выводы сводятся к тому, что полученные результаты могут быть успешно использованы на практике для прогнозирования и обеспечения устойчивого развития отечественной банковской системы.

Статья посвящена проблеме поддержки принятия управленческого решения о выборе стратегического партнера, деятельность которого была бы эффективной и устойчивой. В ходе исследования на основе результатов работы предприятий отечественной кондитерской отрасли был сформирован датасет, который в последующем был использован для модели глубокого обучения DL-модель «Случайный лес» с целью расчета прогнозных значений чистой прибыли предприятий отрасли. Оценка компаний в целях проведения выбора стратегического партнера с использованием таких моделей, как модель глубокого обучения «Случайный лес» (DL Random Forest), VaR, Z-Альтмана, матрица Гурвица, Fuzzy-алгоритма, в современных условиях имеет большую практическую значимость. Актуальность исследования заключается в том, что в условиях возрастания рыночной неопределенности все чаще используются подходы к обеспечению устойчивого развития организации на основе AI-систем. Научная новизна заключается в том, чтобы в ходе исследования при использовании набора моделей, которые позволили оценить фактическую устойчивость компаний, и на основании рассчитанных прогнозных значений чистой прибыли, а также показателей эффективности ведения бизнеса ROE и ROS принять решение о выборе потенциальных бизнес-партнеров. В ходе исследования разработаны: VaR-модель, позволившая получить оценку финансового риска; модель Z-Альтмана для оценки риска банкротства предприятия. Кроме того, на основе рассчитанных параметров уравнения регрессии сформирована матрица Гурвица, позволившая сделать вывод об устойчивости каждого из предприятий как системы. Применение Fuzzy-алгоритма дало возможность получить решение о выборе предприятия-партнера.

В статье рассмотрены теоретические подходы моделирования биржевых торговых роботов — киберфизических систем в условиях инновационных трансформаций и широкомасштабной цифровизации экономики и финансовой сферы. Актуальность исследования состоит в том, что в настоящее время наблюдается тенденция увеличения доли алгоритмической торговли на бирже, причем доля торговых роботов на искусственном интеллекте возрастает. Свежим технологическим трендом является применение биржевых торговых роботов — киберфизических систем на основе когнитивного моделирования, алгоритмов искусственного интеллекта, действующих в цифровых экосистемах. Роботы-алгоритмы конкурируют друг с другом, отслеживая динамику выставляемых заявок, разыскивая «плотности» в стакане, меняют частоту проведения сделок купли/продажи, мониторят весь рынок финансовых инструментов, отслеживая всплески волатильности, ловят сделки крупных игроков в таблице обезличенных сделок, подстраивая параметры в своих скриптах в режиме онлайн. Научная новизна заключается в том, что в представленном исследовании сформирована DL-модель глубокого обучения «Случайный лес», которая на требуемом таймфрейме рассчитывает прогноз цены закрытия фьючерсного контракта SiZ3. Практическая значимость исследования в том, что полученные результаты внедрены и активно используются в биржевой торговле. Критерием успешности предиктивных свойств DL-модели была выбрана величина средней ошибки прогноза (MAE). В предложенной DL-модели используется лучшее дерево решений, которое имеет оптимальные настройки гиперпараметров, например глубину дерева — шесть слоев, число естиматоров (деревьев) в ансамбле — десять. В проведенном эксперименте гиперпараметры нейросети не менялись, входные параметры в различные деревья подбирались алгоритмом случайным образом. DL-модель показывала высокую точность прогноза.

В статье рассмотрены теоретические основы использования технологий алгоритмической торговли. Актуальность исследования состоит в том, что в современных условиях появляется все больше биржевых роботов, совершенствуются их алгоритмы и расширяются технические возможности их применения, причем острой проблемой становится повышение конкурентоспособности биржевых ботов с позиций увеличения точности прогнозирования, что обеспечивает их цифровое конкурентное преимущество. Новизна заключается в том, что в проведенном исследовании предложен разработанный биржевой эдвайзер на основе модели глубокого обучения «Случайный лес» — Deep Learning «Random Forest Regression». Цель исследования состоит в разработке алгоритма для предсказания цены закрытия фьючерсного контракта на доллар SiU3 на Московской бирже. Для достижения цели были поставлены и решены следующие задачи: исследовать теоретические основы применения ансамблей деревьев решений и разработать биржевой эдвайзер на основе модели Deep Learning «Random Forest Regression», а также сформировать VaR-модель оценки финансового риска, кроме того, изучить конкуренцию в сфере алгоритмической торговли на биржевом рынке. Практическая значимость в том, что результаты исследования могут быть использованы на практике в биржевой торговле. В результате была получена высокая точность прогноза, поскольку уровень средней абсолютной ошибки модели не превышает значения 49,01 руб., а уровень максимальной абсолютной ошибки не превышает значения 162,52 руб., при этом MSE (R2) равняется –0,2573 для варианта, в котором доля тестовой выборки в датасете составляла 0,20.

В статье рассмотрены теоретические основы оценки и прогнозирования устойчивости развития экономики России с применением систем искусственного интеллекта. Актуальность исследования состоит в том, что в современных условиях с особой остротой встает вопрос формирования методологических подходов для сбалансированного устойчивого развития экономики. Новизна проведенного исследования заключается в том, что предложен подход, предполагающий использование некоторой системы макроэкономических показателей, отражающих динамику развития как реального сектора экономики, так и параметров развития финансового сектора для прогнозирования ВВП РФ с применением AI-системы «Персептрон». Проведен анализ как динамики макроэкономических показателей реального сектора экономики, так и параметров развития финансового сектора РФ. Авторы рассмотрели преимущества использования в качестве меры риска показателя VaR-модели для оценки финансового риска сокращения ВВП РФ. Разработана программа «Персептрон» с использованием платформы Deductor для прогноза динамики ВВП РФ. Рассмотрен предлагаемый отдельными авторами широкий набор инструментов финансовой математики для оценки и минимизации финансового риска, в том числе квантильное хеджирование, хеджирование дефицита с минимальным риском и оптимальное квадратичное хеджирование. Архитектура нейросети помимо входного имеет два скрытых слоя и выходной слой с одним параметром. Нейросеть «Персептрон» показывает высокую точность прогноза.