Ключевые слова
интеллектуальные модели финансового риск-менеджмента
управление инвестициями на базе искусственного интеллекта
искусственный интеллект в сфере финансов
Как цитировать
Аннотация
в статье предложена концепция проектирования интеллектуальной модели на основе нейронных сетей для проактивного управления финансовыми рисками нефинансовых компаний. Модель предполагает интеграцию данных финансовой отчетности с сайтов раскрытия информации, новостного потока из верифицированных источников и рыночных данных через API Московской биржи (MOEX), который предоставляет различные типы данных: исторические котировки, сделки, информация о позициях участников торгов и другие. Проект основан на анализе современного опыта и предполагает в том числе выявление предпосылок событий, способных оказать влияние на динамику цен на выбранные финансовые инструменты. В статье представлено обоснование выбранной архитектуры и решения с учетом специфики российского рынка.
Литература
Zhu X., Wang Y., Li J. What Drives Reputational Risk? Evidence from Textual Risk Disclosures in Financial Statements. Humanities and Social Sciences Communications. 2022;9(1). DOI: https://doi.org/10.1057/s41599-022-01341-y.
Ristolainen K., Roukka T., Nyberg H. A Thousand Words Tell More than Just Numbers: Financial Crises and Historical Headlines. Journal of Financial Stability. 2024;70:101209. DOI: https://doi.org/10.1016/j.jfs.2023.101209.
Что будет с акциями «Транснефти» в случае повышения налогов: прогнозы экспертов. РБК. Режим доступа: https://www.rbc.ru/quote/news/article/673b29719a7947c91e6131b0.
Данные торгового терминала Trading View о стоимости акций ПАО «Транснефть». Режим доступа: https://ru.tradingview.com/chart/YNS9trTO/?symbol=RUS%3ATRNFP#order.
Fischer T., Krauss C. Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions. European Journal of Operational Research. 2018;270(2):654–669. DOI: https://doi.org/10.1 016/j.ejor.2017.11.054.
Dickey D. A., Fuller W. A. Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association. 1979;74(366):427–431. DOI: https://doi.org/10.2307/2286348.
Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019. 2019:4171–4186. Режим доступа: https://arxiv.org/abs/1810.04805.
Нильсен Э. Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение / пер. с англ. СПб.: ООО «Диалектика»; 2021. 544 с.
Брюс П., Брюс Э., Гедек П. Практическая статистика для специалистов Data Science / пер. с англ. 2-е изд., перераб. и доп. СПб.: БХВ-Петербург; 2021. 352 с.
Box G. E. P., Jenkins G. M. Time Series Analysis: Forecasting and Control. Holden-Day; 1976. 589 p. Режим доступа: https://djvu.online/file/DUly3RuKcHT1P?ysclid=mchob73nei436849235.
Волков Н. Модели вида ARIMA. Яндекс Образование. Режим доступа: https://education.yandex.ru/handbook/ml/article/modeli-vida-arima.
Gujarati D. N. Basic Econometrics. 4th ed. New York: The McGraw-Hill Companies; 2004. 1002 p.
Davidson R., MacKinnon J. G. Econometric Theory and Methods. Oxford University Press; 2004. 765 p.
ARIMA Model — Complete Guide to Time Series Forecasting in Python. Режим доступа: https://www.machinelearningplus.com/time-series/arima-model-time-series-forecasting-python/.
Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):1735–1780. Режим доступа: https://www.bioinf.jku.at/publications/older/2604.pdf.
Hinton G. E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R. R. Improving Neural Networks by Preventing Co-adaptation of Feature Detectors. 2012. arXiv:1207.0580. Режим доступа: https://arxiv.org/abs/1207.0580.
Ding X., Zhang Y., Liu T., Duan J. Deep Learning for Event-Driven Stock Prediction. IJCAI Proceedings. 2015:2327–2333. Режим доступа: https://www.ijcai.org/Proceedings/15/Papers/329.pdf.
Nelson D. M. Q., Pereira A. C. M., de Oliveira R. A. Stock Market’s Price Movement Prediction with LSTM Neural Networks. 2017 International Joint Conference on Neural Networks (IJCNN), Anchorage, AK, USA. 2017:1419-1426. DOI: 10.1109/IJCNN.2017.7966019. Режим доступа: https://ieeexplore.ieee.org/document/7966019.
Lipton Z. C., Berkowitz J., Elkan C. A Critical Review of Recurrent Neural Networks for Sequence Learning. 2015. arXiv:1506.00019. Режим доступа: https://arxiv.org/abs/1506.00019.
Roszyk N., Slepaczuk R. The Hybrid Forecast of S&P 500 Volatility Ensembled from VIX, GARCH and LSTM models. 2024. arXiv:2407.16780. Режим доступа: https://arxiv.org/pdf/2407.16780.