В статье рассмотрены теоретические подходы моделирования устойчивого развития банковской системы России в условиях инновационных трансформаций и формирования цифровых экосистем. Актуальность исследования состоит в том, что в современных условиях все чаще применяются подходы в обеспечении устойчивого развития банковской системы на основе когнитивного моделирования, применения искусственного интеллекта и формирования цифровых экосистем. Научная новизна заключается в том, что в проведенном исследовании сформирована модель глубокого обучения DL-модель «Случайный лес», которая позволяет получить устойчивый прогноз чистой прибыли банковской системы в условиях инновационных трансформаций и формирования цифровых экосистем. Практическая значимость исследования в том, что полученные результаты могут быть рекомендованы к внедрению в практику для обеспечения поддержки принятия управленческих решений касательно устойчивого развития банковской системы. Когнитивная модель была разработана 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 банковского сектора РФ. 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 глубина 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 рассматриваются вопросы прогнозирования прибыли и оценки финансовой устойчивости предприятия кондитерской отрасли — компании «Конфил». Оценка компании как стратегического партнера с использованием таких моделей, как модель глубокого обучения «Случайный лес» (DL Random Forest), VaR, «Z-Альтмана», матрицы Гурвица в современных условиях имеет практическую значимость. Актуальность исследования заключается в том, что в условиях турбулентной экономики все чаще используются подходы к обеспечению устойчивого развития организации на основе искусственного интеллекта. Научная новизна заключается в том, что в ходе исследования был использован набор моделей, которые позволили принять решение касательно выбора предприятия как стратегического партнера для бизнеса. В частности, была сформирована модель глубокого обучения DL-модель «Случайный лес», которая позволяет получить прогноз чистой прибыли компании. Оценены параметры, входящие в модель DL, рассчитаны парные коэффициенты корреляции, что позволило оценить силу и направленность факторов, влияющих на величину чистой прибыли. VaR-модель позволила рассчитать альтернативный прогноз величины чистой прибыли и получить оценку финансового риска компании, «Z-Альтмана» дала возможность оценить риск банкротства предприятия. Кроме того, используя рассчитанные коэффициенты множественной регрессии, сформирована матрица Гурвица и получено положительное значение определителя матрицы, что позволило сделать вывод об устойчивости предприятия как системы. Практическая значимость исследования определяется возможностью применения его результатов на практике, в частности, при формировании стратегии устойчивого развития предприятия.

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.