Поиск научного руководителя

2022 · ARTICLE · en

Journal of Corporate Finance Research 2022 Vol. 16 No. 1 P. 99–112

Гришунин С. В., Егорова А. А.

Целью данного исследования является сравнение предсказательной способности различных моделей машинного обучения для воспроизведения кредитных рейтингов Moody’s, присвоенных машиностроительным компаниям. Исследование закрывает целый ряд пробелов в знаниях, обнаруженных в литературе и связанных с выбором объясняющих переменных и формированием выборки данных для моделирования. Решаемая задача является актуальной. Наблюдается растущая потребность в высокоточных, но недорогих моделях воспроизведения кредитных рейтингов машиностроительных компаний (внутренних кредитных рейтингов). Это связано с постоянным ростом кредитных рисков компаний в отрасли, а также с ограниченным количеством присвоенных публичных рейтингов от международных рейтинговых агентств из-за высокой стоимости рейтингования. В статье сравнивается предсказательная сила трех моделей машинного обучения: упорядоченной логистической регрессии, случайного леса и градиентного бустинга. Выборка компаний включает 109 предприятий машиностроительной отрасли из 18 стран за период с 2005 по 2016 год. В качестве объясняющих переменных используются финансовые показатели компаний, соответствующие отраслевой методологии Moody’s, и макроэкономические показатели стран базирования компаний. Результаты показали, что наибольшей предсказательной способностью обладают модели искусственного интеллекта. Модель случайного леса продемонстрировала точность предсказания 50%, модель градиентного бустинга – 47%. Их предсказательная способность практически в два раза превосходит точность упорядоченной логистической регрессии (25%). Помимо этого, в статье протестированы два различных способа формирования выборки: случайно и с учетом фактора времени. Результат показал, что применение случайной выборки увеличивает предсказательную силу моделей. Включение в модель макроэкономических переменных не улучшает их предсказательную силу. Объяснение заключаться в том, что рейтинговые агентства для обеспечения стабильности рейтинговых оценок следуют подходу «через цикл». Результаты исследования могут быть полезны для исследователей, занятых оценкой точности эмпирических методов моделирования кредитных рейтингов, а также практиков в банковской отрасли, непосредственно использующих такие модели для оценки кредитоспособности машиностроительных компаний.

Цитирование

Grishunin S., Egorova A. et al. Comparative Analysis of the Predictive Power of Machine Learning Models for Forecasting the Credit Ratings of Machine-Building Companies // Journal of Corporate Finance Research. 2022. Vol. 16. No. 1. P. 99–112.

2022 в печати · ARTICLE · ru

Компьютерная оптика 2022 С. 1–12

Сергеев А. В., Минченков В. О., Лукашов С. А., Козырева Д. Д., Солдатов А. В.

В работе представлен новый, комплексный метод автоматического построения выборок данных для систем интеллектуального контроля ручных операций в производстве. Си-стемы интеллектуального контроля в последнее время начинают интенсивно использо-ваться для мониторинга технологических процессов сборки и изготовлении продукции в машиностроении, автомобильной и авиапромышленности, в логистике и др. отраслях. В большинстве представленных систем распознавание объектов и операций происходит с ис-пользованием методов машинного обучения, в первую очередь нейронных сетей. Автомати-ческие методы формирования и разметки наборов данных позволяют значительно сокра-тить время, необходимое для построения новых выборок. И, следовательно, — увеличить скорость внедрения и настройки систем интеллектуального контроля операций. Основная идея предлагаемого подхода заключается в том, что оператор демонстрирует сборочные детали по очереди перед камерой, а система автоматически создаёт из них раз-меченную выборку. В статье поэтапно описан ход исследований и разработок по созданию предложенного метода автоматического построения выборок. Приведены результаты экс-периментальных сравнений методов выделения объектов от фона. Описаны процедуры фильтрации «ошибочных» и «бракованных» изображений. Продемонстрированы примеры созданных автоматически, с использованием предложенного метода, выборок данных. Испытания метода проведены с использованием специально созданного программно-аппаратного стенда контроля ручных операций и показали его высокую эффективность.

Цитирование

Сергеев А. В., Минченков В. О., Лукашов С. А., Козырева Д. Д., Солдатов А. В. et al. Метод автоматического построения выборок данных в рамках задач интеллектуального контроля ручных операций // Компьютерная оптика. 2022. С. 1–12.

2023 в печати · CHAPTER · ru

В кн.: МЕЖДИСЦИПЛИНАРНЫЕ ПРОБЛЕМЫ ЧЕЛОВЕКО-МАШИННОГО ВЗАИМОДЕЙСТВИЯ / Под общ. ред.: А. АНДРЕЙ АЛЕКСЕЕВИЧ М.: ОнтоПринт, 2023. С. 48–54.

Бардуков А. А.

В статье рассматривается возможность использования мультимодальных методов передачи информации для решения задачи поиска в корпусе изображений. В качестве решения приводится построение рекомендательной системы, которая решает проблему в два этапа: отбор кандидатов и ранжирование. Приводится несколько вариантов алгоритма отбора кандидатов, а также алгоритм построения модели машинного обучения для ранжирования. Качество результата измеряется метрикой точности (доля удачных пар рекомендаций).

Цитирование

Бардуков А. А. В кн. : МЕЖДИСЦИПЛИНАРНЫЕ ПРОБЛЕМЫ ЧЕЛОВЕКО-МАШИННОГО ВЗАИМОДЕЙСТВИЯ. : М.: ОнтоПринт, 2023. С. 48–54.

2010 · BOOK · ru · Издательский дом НИУ ВШЭ

М.: Издательский дом НИУ ВШЭ, 2010.

Ратникова Т. А.

Учебное пособие посвящено одному из наиболее востребованных современных инструментов количественного анализа статистической информации в экономике – анализу панельных данных, которые представляют собой прослеженные во времени пространственные выборки объектов (индивидуумов, домохозяйств, предприятий, регионов, стран и т.п.). Использование панельных данных дает ряд существенных преимуществ в оценивании параметров регрессионных зависимостей, поскольку они сочетают в себе возможности как анализа временных рядов, так и анализа пространственных наблюдений. С помощью панельных данных становится возможным изучение таких хронических проблем общества, как бедность, безработица, преступность и т.д. В пособии излагаются базовые концепции анализа панельных данных и принципы построения наиболее востребованных моделей. Рассматриваются примеры оценивания и интерпретации моделей, построенных по реальным российским панельным данным – данным Российского мониторинга экономического состояния и здоровья населения.

Цитирование

Ратникова Т. А. et al.

2025 · ARTICLE · ru

Управление большими системами: сборник трудов 2025 № 118 С. 250–285

Сизых Н. В., Наталия Сергеевна К.

Многочисленные исследования в области прогнозирования котировок ценных бумаг, в частности акций, направлены на поиск более точных и эффективных моделей. Однако внимание к многомерному прогнозированию, которое позволяет получить более точный прогноз, остается недооцененным, поскольку для его реализации требуется значительное увеличение вычислительных ресурсов. Поэтому актуальным является подбор более упрощенных, но эффективных моделей, с помощью которых можно получать хорошие результаты при меньших вычислительных затратах, доступном наборе однозначно оцениваемых данных и упрощенной настройке, сохраняя при этом достаточную точность для практического использования. Результаты исследования, приведенные в данной статье, направлены на решение данной проблемы. Авторами подобраны, сформированы и апробированы методики моделей много-мерного прогнозирования стоимости акций на основе методов машинного обучения и современных нейросетевых архитектур. Проведен сравнительный анализ результатов среднесрочного прогноза стоимости акций (30 дней) с помощью моделей многомерного прогнозирования. Апробация проведена на примере акций, входящих в индекс S&P 500. В процессе исследования подобраны дополнительные массивы данных, которые способствуют повышению точности прогноза и доступны в открытых источниках.

Цитирование

Сизых Н. В., Наталия Сергеевна К. et al. Применение моделей машинного обучения для многомерного среднесрочного прогнозирования стоимости акций // Управление большими системами: сборник трудов. 2025. № 118. С. 250–285.