Разработан эвристический метод выявления инвесторов, которые внезапно распродают значимые доли рискованных активов, то есть впадают в панику. Исследование показывает, что паника чаще возникает при больших рыночных колебаниях. Панические продажи неэффективны на растущем рынке, но могут служить механизмом ограничения потерь на стремительно падающих рынках. Машинное обучение может определить риски панической распродажи активов на бирже инвесторами в ближайшем будущем, учитывая демографию, историю финансового портфеля и текущие рыночные условия. Было обнаружено, что домохозяйства совершают панические продажи во время резких экономических спадов. Такой феномен назван «истерия». Панические продажи и истерия предсказуемы и отличаются от таких поведенческих моделей, как чрезмерная торговля или эффект диспозиции. Основным результатом исследования является точное предсказание поведения панически настроенных инвесторов - инвесторы держат убыточные и прибыльные позиции; панические продажи дают небольшую отрицательную доходность и случаются редко по сравнению с активными трейдерами, но резко возрастают в кризисы, связанные с рыночной конъюнктурой.
Современные организации сталкиваются с необходимостью оперативного анализа больших объемов данных для принятия управленческих решений. Традиционные методы экономического анализа, основанные на статистике и эконометрике, зачастую не справляются с нелинейными зависимостями и быстро меняющимися рыночными условиями. Искусственный интеллект (ИИ), включая машинное обучение (ML) и глубокие нейросети (DL), позволяет значительно повысить точность оценки экономических процессов и прогнозировать их развитие.
В данной статье анализируются возможности применения методов ИИ для оценки экономического состояния организаций в различных отраслях. Рассмотрены ключевые алгоритмы машинного обучения (линейная регрессия, случайный лес, градиентный бустинг) и нейросетевые модели (LSTM, трансформеры, GNN), а также их практическое использование в прогнозировании банкротств, кредитных рисков, спроса и мошенничества. Приведены реальные кейсы внедрения ИИ в российских компаниях (Сбербанк, X5 Group, РЖД, ФНС) и за рубежом (J. P. Morgan, IBM, BlackRock).
Статья посвящена исследованию возможностей применения искусственного интеллекта в различных сферах человеческой деятельности.
Целью работы является анализ текущего состояния и перспектив развития искусственного интеллекта, а также выявление его потенциала для решения актуальных задач в различных отраслях. В результате исследования систематизированы основные направления применения искусственного интеллекта, такие как медицина, образование, промышленность и финансы, и проанализирована их эффективность. Практическая значимость работы заключается в формировании комплексного представления о возможностях и ограничениях искусственного интеллекта, что позволит специалистам разных областей принимать обоснованные решения о внедрении технологий искусственного интеллекта в свою деятельность. Выявлен потенциал искусственного интеллекта для решения сложных задач, оптимизации процессов и создания новых продуктов и услуг, что способствует инновационному развитию экономики и общества в целом.
Развитие искусственного интеллекта (ИИ) кардинально меняет банковский сектор, ускоряя цифровую трансформацию и повышая эффективность бизнес-процессов. Внедрение интеллектуальных алгоритмов позволяет автоматизировать клиентское обслуживание, управление рисками и борьбу с финансовыми мошенничествами. ИИ-аналитика улучшает кредитную оценку, персонализирует финансовые продукты и оптимизирует управление активами. Использование машинного обучения снижает операционные издержки, повышает уровень кибербезопасности и улучшает точность прогнозирования рыночных трендов. В статье анализируются основные направления внедрения ИИ в банковской сфере, оценивается его экономическая эффективность и рассматриваются ключевые риски и барьеры цифровой трансформации финансовых учреждений.
Развитие квантовых связей открывает новые возможности для финансовых рынков, способствует ускоренной обработке данных, оптимизации стратегий и повышению эффективности управления рисками. Квантовые алгоритмы, обладая экспоненциальной вычислительной мощностью, способны решать задачи, имеющиеся для классических компьютеров, что делает их перспективными для высокочастотного трейдинга, стресс- тестирования банковских систем и анализа ликвидности. Внедрение квантовой криптографии и оптимизационных алгоритмов меняет подход к безопасности финансовых операций и прогнозированию динамики активов. В статье рассматриваются основные направления использования квантовых компьютеров в финансах, анализируются их последствия, потенциальные угрозы и регуляторные вызовы. Особое внимание уделяется влиянию квантовой революции на финансовый сектор экономики и возможности ее перехода к новым технологиям.
Развитие цифровых технологий повышает потребность предприятий в интеграции автоматизированных систем управления (ERP), направленных на оптимизацию бизнес- процессов и снижение операционных затрат. Внедрение ERP-систем обеспечивает централизованный контроль ресурсов, автоматизацию учета, управление финансовыми потоками и прогнозирование спроса. Экономическая эффективность этих решений выражается в повышении производительности, снижении транзакционных издержек и улучшении управления цепочками поставок. В статье анализируются инвестиционные затраты на внедрение ERP, источники финансирования, ключевые выгоды для бизнеса и возможные риски. Рассматриваются перспективы развития ERP-систем с учетом технологических трендов, включая облачные вычисления, искусственный интеллект и интеграцию с интернетом вещей.
Современные экономические кризисы развиваются с высокой скоростью и сложностью, что требует новых методов прогнозирования и раннего выявления рисков. Использование технологий больших данных позволяет анализировать сложные экономические процессы в режиме реального времени, выявлять скрытые паттерны кризисов и предсказывать возможные макроэкономические потрясения. Применение машинного обучения, нейросетевых моделей и обработки высокочастотных финансовых данных значительно повышает точность прогнозирования кризисных сценариев, позволяя принимать упреждающие меры. В статье исследуется роль больших данных в выявлении нестабильности, рассматриваются основные источники информации, методы аналитики и ограничения алгоритмических предсказаний. Анализируются успешные примеры использования больших данных центральными банками и финансовыми регуляторами, а также перспективы интеграции предсказательных моделей в экономическую политику.
В статье рассматриваются теоретико-методологические основы интеграции сценарного анализа и многомерных байесовских моделей машинного обучения. Сценарный анализ представлен как инструмент стратегического планирования в условиях радикальной неопределённости, позволяющий формировать альтернативные траектории развития сложных систем. В свою очередь, байесовские модели в машинном обучении - в том числе Bayesian additive regression trees (BART), байесовские нейронные сети (BNN) и вариационные байесовские методы - обеспечивают формальное представление априорной неопределённости и латентной структуры данных. Особое внимание уделено методам построения условных прогнозов и обобщённых функций импульсного отклика (GIRF), адаптированным для нелинейных и непараметрических моделей. Обоснована практическая значимость данного подхода в макроэкономическом моделировании, энергетическом планировании и оценке инвестиционных рисков.
Наукастинг валового внутреннего продукта (ВВП) представляет собой ключевой инструмент макроэкономического анализа, позволяющий формировать оперативные оценки текущей динамики экономической активности до выхода официальной статистики. Современные вызовы, связанные с высокой волатильностью экономических условий, требуют адаптивных и вычислительно эффективных моделей, способных учитывать как классические макроиндикаторы, так и потоки высокочастотных данных. В настоящей статье рассматриваются теоретические основы и перспективы объединения динамических факторных моделей (DFM) с методами машинного обучения для построения гибридных архитектур наукастинга. Основное внимание уделено аналитическому обзору структуры DFM, методам оценки скрытых факторов при наличии пропусков и смешанных временных частот, а также проблемам интерпретируемости и устойчивости модели к структурным сдвигам. Дополнительно обсуждаются подходы к интеграции высокочастотных источников данных - таких как транзакционная активность, мобильность и поведенческие индикаторы - в рамках наукастинг-моделей.
В статье рассматривается интеллектуальная трансформация как этап цифровой эволюции, основанный на интеграции искусственного интеллекта, машинного обучения и аналитики данных в производственные процессы для повышения адаптивности и стратегической устойчивости бизнеса. Раскрывается переход к управлению, основанному на когнитивных и алгоритмических моделях, обеспечивающий автономное функционирование организаций за счёт интеллектуальной обработки данных. Выявлено различие между цифровизацией и интеллектуальной трансформацией, создающей новые управленческие модели на основе искусственного интеллекта. Интеллектуальная трансформация обеспечивает переход от цифровой автоматизации к самоуправляемым и адаптивным системам, способным повышать устойчивость и конкурентоспособность в условиях глобальных вызовов. Ключевые компоненты интеллектуальной трансформации, аналитика больших данных, когнитивные алгоритмы, цифровые двойники и адаптивные системы, представлены основой построения интеллектуально активной организации, ориентированной на автоматизацию и предиктивное управление в условиях многопараметрической неопределённости. Интеллектуальная оптимизация бизнес-процессов резюмируется как инструмент повышения операционной эффективности и фактор стратегического развития, способствующий формированию инновационно-активных организационных моделей.
Целью данной статьи является изучение практики зарубежных транснациональных корпораций в области использования искусственного интеллекта и машинного обучения для управления цепочками поставок в условиях глобальных кризисов. Методологическим основанием данной статьи явился комплексный подход, позволивший использовать совокупность методов (анализа, классификации и обобщения), позволивших системно и последовательно исследовать опыт транснациональных корпораций в решении проблемы использования новейших достижений в области машинного обучения и использования искусственного интеллекта в управлении цепочками поставок в условиях глобальных кризисов. В результате исследования автором выделены и систематизированы основные причины, требующие использования машинного обучения искусственного интеллекта в управлении цепочками поставок в условиях глобальных кризисов. Практическая ценность данной статьи определяется возможностью использования полученных результатов в целях дальнейшей разработки проблемы, связанной с использованием искусственного интеллекта и машинного обучения для управления цепочками поставок в условиях глобальных кризисов. Сделан вывод, что система машинного обучения, позволяющая расширять возможности искусственного интеллекта, дает возможность транснациональным компаниям принимать решения на основе исторической и текущей информации о спросе и предложении, формируя точные прогнозы относительно функционирования цепочек поставок в условиях турбулентной внешней среды. Интеллектуальные системы машинного обучения (ИСМО) предоставляет транснациональным корпорациям инструмент, который способствует сокращению расходов и увеличению доходов, позволяет поддержать имидж надежного поставщика.