аспирант
Статья исследует возможности применения байесовских нейросетей для моделирования рисков на финансовых рынках. Финансовые рынки характеризуются высокой степенью неопределённости и сложностью, при которых традиционные методы анализа рисков становятся неэффективными. Автор предлагает использовать байесовские нейросети, сочетающие гибкость глубоких нейронных сетей с принципами байесовской статистики, для более точного анализа рисков и принятия взвешенных решений на финансовых рынках. Материалы и методы исследования базируются на данных публикаций Банка России и работ российских ученых в области измерений на основе байесовских интеллектуальных технологий. Результаты исследования показывают, что байесовские нейросети позволяют эффективно управлять неопределённостью на финансовых рынках, учитывая сложность финансовой системы, недостаточность исходной информации и компетентность специалистов. Процесс анализа неопределённости включает этапы концептуализации, разработки модели, сбора информации, количественной оценки неопределенности и объединения неопределённостей. Авторы подчеркивает, что байесовские нейросети обладают рядом преимуществ: постоянное обновление знаний, использование распределений вероятностей и оценка вероятности сценариев. В заключении автор отмечает, что байесовские нейросети позволяют моделировать риски на финансовых рынках и осуществлять оценку уровня неопределенности, являясь базой для разработки рекомендаций по принятию управленческих решений. Целью исследования ставится рассмотрение возможности применения байесовских нейросетей для моделирования рисков на финансовых рынках.
анализ неопределённости, байесовские нейросети, моделирование рисков, прогнозирование, финансовые рынки
1. Бобков И.А., Бурдина А.А., Нехрест-Бобкова А.А. Моделирование неопределенности при помощи нейронных сетей // Ars Administrandi (Искусство управления), 2023. – Т. 15, № 1. – С. 45-59.
2. Смирнова Л.Н. Оценка рисков инновационного проекта с применением теории нечетких множеств и байесовских сетей // Торговля, сервис, индустрия питания, 2023. – № 3 (2). – С. 184-193.
3. Доманов А.О. Основы байесовского подхода к количественному анализу (на примере евроскептицизма) // Полит. Наука, 2021. – № 1. URL:https://cyberleninka.ru/article/n/osnovy-bayesovskogo-podhoda-k-kolichestvennomu-analizu-na-primere-evroskeptitsizma (дата обращения: 13.09.2024).
4. Прокопчина С.В. Сверточный подход к интеграции методов искусственного интеллекта и теории измерений на основе байесовских интеллектуальных технологий. Концепция байесовской измерительной нейросети. Концепция IIIoT – интеллектуального IIoT // Международная конференция по мягким вычислениям и измерениям, 2021. – Т. 1. – С. 3-8.
5. Корнеев Д.С. Использование аппаратных нейронных сетей для построения моделей оценок и управления рисками на предприятии // УБС, 2007. – № 17. URL:https://cyberleninka.ru/article/n/ispolzovanie-apparata-neyronnyh-setey-dlya-sozdaniya-modeli-otsenki-i-upravleniya-riskami-predpriyatiya (дата обращения: 13.09.2024).
6. Торопова А.В. Подходы к диагностике согласованности данных в байесовских сетях доверия // Тр. СПИИРАН, 2015. – выпуск 43. – С. 156-178.
7. Селезнев С., Хабибуллин Р. Быстрая оценка байесовских моделей пространства состояний с использованием симуляций // Серия препринтов об экономических исследованиях, декабрь 2022. – № 104. – С. 42.
