Экономический анализ рисков в цифровой экономике: применение машинного обучения для прогнозирования финансовых угроз

Готовая работа не предполагает план (содержание)

Весь текст будет доступен после покупки

Готовая работа не предполагает вступление

Весь текст будет доступен после покупки

В цифровой экономике, где данные генерируются в огромных объемах, а транзакции происходят в реальном времени, управление финансовыми рисками становится ключевой задачей для бизнеса и регуляторов. Традиционные методы экономического анализа, такие как линейная регрессия или статистические модели, часто не справляются с нелинейными зависимостями, высокомерными данными и неопределенностью, присущей цифровым платформам. В этой связи применение машинного обучения (МО) открывает новые возможности для прогнозирования финансовых угроз, таких как кредитные дефолты, рыночные кризисы или кибератаки с финансовыми последствиями. По данным исследований, цифровизация усиливает волатильность рынков, увеличивая объемы данных на 40-50% ежегодно, что требует более продвинутых инструментов анализа [1].
Машинное обучение представляет собой подраздел искусственного интеллекта, где алгоритмы обучаются на данных для выявления паттернов и принятия решений. В контексте экономического анализа рисков в цифровой экономике выделяют несколько типов моделей МО: контролируемое обучение (supervised learning), где модель обучается на маркированных данных для предсказания исходов; неконтролируемое обучение (unsupervised learning) для кластеризации рисков; и глубокое обучение (deep learning) для обработки больших данных. Эти подходы особенно актуальны в условиях роста big data, где традиционные эконометрические модели уступают по скорости и точности [2]. Как отмечается в одной из работ, ML-алгоритмы способны обнаруживать скрытые закономерности в массивных массивах разнородных данных. Применяются различные модели: от логистической регрессии до нейронных сетей и ансамблевых методов [9].
Одним из наиболее эффективных подходов является использование алгоритма XGBoost (Extreme Gradient Boosting), который основан на градиентном бустинге деревьев решений. XGBoost превосходит традиционные модели благодаря введению регуляризации, обработке пропущенных значений и параллельным вычислениям, что делает его подходящим для анализа больших данных в цифровой экономике. Например, в исследовании Chen J. (2025) XGBoost применялся для предсказания финансовых рисков на данных китайских компаний, показав точность 86,2% и AUC 0,91, что значительно выше, чем у логистической регрессии (точность 78,4%) [3]. Аналогичные результаты подтверждаются в российских исследованиях: в работе по анализу больших данных для управления финансовыми рисками предприятия подчеркивается, что МО повышает точность прогнозов на 15-25% в условиях цифровизации [4]. Другой пример — модель Random Forest, где предложена нейросетевая модель прогноза динамики прибыли банков на основе использования модели машинного обучения «Случайный лес» (RF - random forest), представляющий собой алгоритм машинного обучения, который заключается в использовании ансамбля (совокупности) деревьев решений (decision trees) [10].

Весь текст будет доступен после покупки

1. Блинов А.О. Финансовый риск-менеджмент в эпоху цифровизации // Вестник экономики. 2024. № 3. С. 45-52. URL: https://cyberleninka.ru/article/n/finansovyy-risk-menedzhment-v-epohu-tsifrovizatsii (дата обращения: 27.11.2025).
2. Козлов Д.А. Анализ технологий больших данных в управлении и прогнозировании финансовых рисков предприятия // Экономика и управление. 2023. № 2. С. 112-120. URL: https://cyberleninka.ru/article/n/analiz-tehnologiy-bolshih-dannyh-v-upravlenii-i-prognozirovanii-finansovyh-riskov-predpriyatiya (дата обращения: 27.11.2025).
3. Chen J. Research on Financial Data Risk Prediction Models Based on XGBoost Algorithm // Proceedings of the 2nd Guangdong-Hong Kong-Macao Greater Bay Area International Conference on Digital Economy and Artificial Intelligence. 2025. С. 678 – 685.
4. Иванова Е.В. Использование машинного обучения для прогнозирования финансовых кризисов и оценки системных рисков // Финансы и кредит. 2024. № 1. С. 34-42. URL: https://cyberleninka.ru/article/n/ispolzovanie-mashinnogo-obucheniya-dlya-prognozirovaniya-finansovyh-krizisov-i-otsenki-sistemnyh-riskov (дата обращения: 27.11.2025).
5. Khan M.A., Ali S., Rahman M. Financial Risk Forecasting Using AI: Hybrid Econometric–Machine Learning Models // The Cross River State Studies Journal. 2025. № 2. С. 45 – 58.
6. Петров С.М. Эконометрика в эпоху цифровизации: интеграция машинного обучения // Экономическая теория. 2025. № 4. С. 78-85. URL: https://cyberleninka.ru/article/n/ekonometrika-v-epohu-tsifrovizatsii-integratsiya-mashinnogo-obucheniya (дата обращения: 27.11.2025).
7. Van Liebergen B. Machine Learning: A Revolution in Risk Management and Compliance? // The Journal of Financial Transformation. 2017. № 45. С. 60 – 67.

Весь текст будет доступен после покупки