Фрагмент для ознакомления
2
Для того чтобы качественно осуществлять прогнозирование фондового рынка необходимо использовать специализированные методы, которые направлены на выявление качественных характеристик стоимости и движения ценных бумаг. Нами выделены несколько групп методов, применяемые в прогнозировании фондового рынка.
1) Экспертный метод. Данный метод достаточно широко применяется в прогнозировании фондового рынка. В пределах применения экспертного метода применяется метод Дельфи, подразумевающий качественную экспертную оценку. При применении данного метода осуществляется сбор мнений компетентных экспертов, результатом которого являются экспертные оценки.
Такие экспертные оценки, в своей совокупности, подлежат комплексному анализу и выявлению общего и разного в процессе анализа. Важно сделать акцент на том, что участниками метода Дельфи могут быть только высококлассные специалисты в области аналитики фондового рынка.
Говоря о специалистах в области анализа фондового рынка, мы подразумеваем профессионалов, обладающим рядом общих и профессиональных компетенций, сформированных на базе возможности осуществления как традиционных, так и инновационных расчётов по прогнозу развития фондового рынка. Метод Дельфи, в процессе прогноза осуществляется по следующему алгоритму.
Рисунок 5. Алгоритм применения метода Дельфи
Компетентные эксперты – аналитики рынка ценных бумаг опираются исключительно на официальные источники, статистику и практические знания в области функционирования российского фондового рынка ценных бумаг.
2) Аналитические методы – проведение условного и целевого прогноза для определения перспектив развития фондового рынка. Все специалисты фондового рынка, перед принятием решений, анализируют всю имеющуюся информацию . Целью таких методов является анализ причинных связей. В основе аналитических методов лежат следующие источники информации:
средства массовой информации;
официальная информация от Центрального банка;
официальная информация от Министерства финансов.
В пределах аналитических методов используются:
метод прогнозирования «сверху – вниз»;
метод прогнозирования «снизу - вверх»;
метод вероятностного прогнозирования;
метод экономического моделирования;
метод моделирования финансовых коэффициентов;
метод объектного моделирования .
3) Методы исторической аналогии. Эффективность данного метода может быть достигнута только при использовании в совокупности с другими методами прогнозирования фондового рынка. Прогнозируя развитие российского фондового рынка, необходимо учитывать как изменившиеся внутренние условия за последние годы, так и внешние условия (например, связанные с мировым финансовым кризисом).
В урезанном виде метод исторической аналогии может быть использован и в комплексных методах, например, для прогнозирования изменений в параметрах математических моделей. Такие аналогии обычно называют математическими, так как в данном случае объект прогнозирования или его часть описывается при помощи математического аппарата, который разрабатывался в интересах другого объекта, но выявленные закономерности в описании его развития позволили его использовать в интересах исследуемого объекта .
4) Экономико – математическое моделирование. Экономико-математическая модель - математическое описание экономического процесса или объекта, произведённое в целях их исследования и управления ими: математическая запись решаемой экономической задачи . Основными требованиями к формулировке экономико – математического прогнозирования фондового рынка являются следующие требования:
адекватность – полное соответствие идеалу;
объективность – теоретико – методологическое обоснование модели;
точность – наличие только необходимых структурных компонентов;
гибкость – возможность модели приспосабливаться к меняющимся параметрам .
В экономико – математическом анализе фондового рынка используются модели:
аналитическая модель: U=f (x), где x - совокупность (вектор) выходов; f - зависимость, которая записана в виде функции;
оптимизационная модель: u=f (x,y)→max. Здесь y - вектор переменных, не поддающихся управлению, но влияющих на u; f - функция, задающая отношения между всеми указанными величинами;
вероятностная модель, которая содержит случайные элементы;
детерминированная модель, где роль играют входные значения;
дискретная модель – применение дискретных величин;
линейная модель, рассчитываемая по формуле: ;
Процесс экономико – математического моделирования происходит посредством реализации следующих этапов:
Рисунок 6. Этапы использования экономико – математического моделирования
5) Статистические методы. При использовании таких методов используются:
фондовые индексы;
показатели дисперсии;
корреляции;
экстраполяции;
интерполяции .
6) Графический метод – основанием которого является технический анализ, в результате которого получаются графическая демонстрация прогнозирования фондового рынка. Именно технический анализ направлен на выявление динамики движения цен.
Именно для того, чтобы наглядно изобразить динамику движения, инвесторы используют графики. Можно сказать о том, что технический анализ – это иллюстрированное изображение аналитики.
Приверженцы технического анализа считают, что их метод решает проблему неизвестных факторов и позволяет определять моменты покупки и продажи. Технический анализ опирается на следующие положения:
«всё в цене» - невозможность учёта абсолютно всех факторов, которые могут повлиять на ценообразование ценных бумаг;
«тренд – твой друг» - чёткое определение инвестором текущего тренда;
«история повторится» - цикличность фондового рынка .
В графическом методе, при применении технического анализа используются следующие графики:
Рисунок 7. Пример линейного графика
Рисунок 7. Пример графика «Бары»
Рисунок 8. Пример графика «Свечи»
7) Программно – целевой метод – данный метод был широко распространён в начале XX века, на данный момент применяется крайне редко, однако, факт его наличия в экономике и финансах имеет место быть. Целью данного метода является объединение нескольких прогнозов воедино и выявление специфических особенностей, способных повлиять на исход прогнозирования фондового рынка. Программно – целевой метод предполагает следующие этапы:
определение специфики и направленности прогноза;
выбор метода прогнозирования .
На основании изложенной информации нами произведён обзорный анализ всех перечисленных методов прогнозирования фондового рынка:
Таблица 1. Сравнение характеристик методов прогнозирования рынка
Наименование метода Первоначальная информация Приёмы реализации Конечный результат
Экспертный Информация, полученная средствам экспертной оценки Экспертный опрос соответствии со стандартизированным опросником Экспертная оценка
Аналитический Информация средств массовой информации, Центрального Банка, Министерства финансов Подробный сравнительный анализ Подробные аналитические расчёты
Исторической аналогии Исторические данные и сведения рынка ценных бумаг Анализ исторических данных посредством ретроспективной обработки Предполагаемый сценарий развития на основании цикличных исторических событий
Экономико – математическое моделирование Информация по данным фундаментального анализа Экономико – математические расчёты Модель
Статистический Информация по данным статистической отчётности Расчет индексов, корреляции, регрессии, дисперсии, вариации, ковариации Фондовые индексы, корреляционно-регрессионная зависимость
Графический Данные, полученные в результате технического анализа Наглядное построение графиков Тренды
Программно - целевой Информация от органов статистики Построение древа целей и древа ресурсов Программа
Примечательно, что Британский институт физики разработал стратегический документ, который называется «Походы машинного обучения к прогнозированию цен на акции». Документ был издан в 2022 году. В соответствии с ним определены инновационные методы прогнозирования фондового рынка.
1) Традиционный метод – это поверхностный метод анализа, который исключает глубинное исследование. В зависимости от программной настройки нейронной сети, искусственный интеллект анализирует исторический контекст стоимости ценных бумаг или определяет краткосрочную перспективу, опираясь на результаты текущей ситуации:
Random Forest – определяет возможности динамики роста и спада цен на акции на краткосрочный и долгосрочный периоды.
Наивный байесовский классификатор – направлен на изучение возможного влияния произошедшего события, на возможное будущее.
Метод опорных векторов – осуществляет сопоставление введённых данных.
ARIMA – краткосрочное определение колебания цен на фондовом рынке.
2) Глубокое обучение – фундаментальные возможности нейронной сети, где полностью имитируется модель мозга человека. При данном методе в программе используется огромное количество скрытых уровней, каждый из которых отвечает за анализ различных направлений, отмеченных в исходной информации .
Таким образом, методы прогнозирования фондового рынка представляют широкий спектр методического инструментария, который являются является специфичным для прогнозирования фондового рынка в Российской Федерации. Считаем, что качественный анализ может быть проведён только с учётом всех указанных методов в совокупности: экспертный метод, аналитический метод, метод исторической аналогии, метод экономико – математического моделирования, статистический метод, графический метод, программно – целевой метод. Однако в условиях современных реалий особую и обособленную ценность приобретает метод использования нейросетей в прогнозировании развития фондового рынка.
1.3. Использование нейросетей в прогнозировании развития фондового рынка
В предыдущих параграфах исследования, нами был выявлен факт того, что исследование прогнозирования фондового рынка является обширным проблемным полем в пределах экономической науки. Однако вопрос использования возможностей нейросетей в прогнозировании развития фондового рынка выходит за пределы экономики и в бой вступают смежные науки, такие как информатика и математика.
Искусственный интеллект определяет качественно новую веху в развитии теории и практики прогнозирования фондового рынка. В условиях жизни в информационном обществе, где большие данные играют одно из ключевых значений, нейросети приобретает особую существенную роль в отношении прогнозирования развития фондового рынка.
Нейронная сеть является искусственным интеллектом и представляет многоструктурную модель, в состав которой входят элементы – нейроны. Задача каждого нейрона принять сигнальную информацию и передать ещё дальше по цепочке. Модель искусственной нейронной сети может быть представлена математически с помощью системы уравнений, описывающих взвешенные суммы входных сигналов, функции активации и обновление весовых коэффициентов в процессе обучения .
Данная активация является запуском механизма исторических данных, которые, в последующем смогут вернуться к изначальным поисковым значениям и выдать необходимый поисковый результат. Таким образом, мы можем говорить об актуальности и перспективе использования возможностей нейронных сетей при прогнозировании фондового рынка.
Фондовый рынок весьма нестабилен и изменчив. Именно поэтому инвесторы пользуются основным средством измерения фондового рынка – прогнозированием.
На фондовом рынке нейронные сети используются в направлениях:
Таблица 2. Возможности использования нейронных сетей на фондовом рынке
Направление Краткое описание
Анализ данных Применение специализированного машинного обучения, которое способно анализировать глобальные информационные массивы. При помощи машинного обучения возможно включение исторического метода, которые выстроит динамику изменений.
Анализ новостей В данном направлении нейронная сеть анализирует текстовые материалы средств массовой информации и социальных сетей, которые для того, чтобы был произведён контент – анализ отношения к акциям определённой компании. В данном направлении также будет получена информация о потребительском спросе на те или иные акции.
Торги Нейросеть способствует наиболее точному анализу рыночных данных для принятия эффективного решения. Наивысшим достижением нейронной сети является то, что с её помощью появилась возможность автоматического заключения сделок без участия инвестора. Однако, такое направления для инвестора – обывателя является весьма сложным.
Процесс использования нейросетей в прогнозировании развития фондового рынка предполагает следующие этапы:
осуществление сбора данных;
непосредственное распределение данных для зондажной выборки;
выявление необходимой структуры сети;
выбор параметров алгоритма;
непосредственное тестирование .
Представим схематично исходный набор данных в следующей схеме:
Рисунок 9. Структура исходного набора данных
Для того чтобы модель работала эффективно, необходимо качественно подходить к определению конкретных исходных данных. При этом стоит учитывать, что информация фондовых рынков включают большой информационный массив, в котором присутствует определённое количество признаков. Учёт всех признаков может привести к тому, что это приведёт не только к увеличению объёмов вычислительных операций, но и к возможному техническому сбою.
В связи с этим рекомендуется практиками в области информационных технологий, работающими с нейронной сетью, предлагается использовать конкретно рекурсивное исключение признаков (RFE) для того, чтобы модель работала корректно.
В начале всей реализации происходит первоначальный анализ и обработка всех сущностных признаков. Данный этап необходим для того, чтобы получить корректный результат. Для того чтобы данные были корректно распределены в условиях зондажной выборки, необходимо использовать кросс – валидацию (k), которая в значительной мере снизит риск переобучения модели.
В основу рассматриваемой технологии использования нейросетей в прогнозировании развития фондового рынка нами взята модель, разработанная А. С. Дмитриевым в 2023 году. Так, согласно концепции автора предлагается следующая архитектура нейронной сети для создания сценария прогнозирования развития фондового рынка:
основной слой, в котором скрыты три слоя нейронов;
два скрытых радиальных слоя: активирующий и линейный;
Фрагмент для ознакомления
3
1) Конституция Российской Федерации (принята всенародным голосованием 12.12.1993 с изменениями, одобренными в ходе общероссийского голосования 01.07.2020).
2) Федеральный закон "О рынке ценных бумаг" от 22.04.1996 N 39-ФЗ.
3) Федеральный закон от 10.01.2003 № 173 – ФЗ «О валютном регулировании и валютном контроле».
4) Федеральный закон от 10.07.2002 № 86-ФЗ «О Центральном банке Российской Федерации (Банке России)».
5) Абаньшин, П. А. Сравнительный анализ методов автоматизированного прогнозирования изменения цен акций на фондовом рынке / П. А. Абаньшин, М. Ю. Барышникова // Вестник науки и образования. – 2020. – № 3-1(81). – С. 24-27.
6) Акимов, С. С. Метод повышения надежности прогнозирования при работе на фондовом рынке / С. С. Акимов // Перспективы науки - 2015 : Сборник докладов II Международного конкурса научно-исследовательских работ, Казань, 30 ноября 2015 года / Научный ред. А.В. Гумеров. – Казань: Рокета Союз, 2015. – С. 158-160.
7) Алпатова, Д. Ю. Применение нейросетевых технологий на финансовом рынке / Д. Ю. Алпатова // Аллея науки. – 2017. – Т. 3, № -9. – С. 283-286.
8) Анализ прогностической способности логистических моделей в рамках фондового рынка / Д. П. Маршалов, О. В. Заборовская, Е. Е. Шарафанова, Е. А. Конников // Известия Санкт-Петербургского государственного экономического университета. – 2023. – № 6-1(144). – С. 40-45.
9) Ахвердов, Т. Р. Прогнозирование индекса фондового рынка с использованием методов искусственного интеллекта / Т. Р. Ахвердов // XX республиканская научная конференция магистрантов, 02–03 июня 2020 года. Том 1/I, 2021. – С. 225-226.
10) Баринова, Н. В. Цифровая экономика, искусственный интеллект, индустрия 5.0: вызовы современности / Н. В. Баринова, В. Р. Баринов // Вестник Российского экономического университета имени Г.В. Плеханова. – 2022. – Т. 19, № 5(125). – С. 23-34.
11) Бахолдин, С. В. Адаптивное моделирование инвестиционных решений на основе одноиндексной модели У. Шарпа : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Бахолдин Сергей Владимирович. – Воронеж, 2012. – 140 с.
12) Бенгина, Т. А. Математичесике методы анализа на фондовом рынке и прогнозирование движения цен на акции и другие финансовые инструменты / Т. А. Бенгина, А. С. Сковородин // Символ науки: международный научный журнал. – 2020. – № 5. – С. 10-14.
13) Борздов, С. Ю. Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Борздов Сергей Юрьевич. – Ставрополь, 2010. – 168 с.
14) Борщ, Л. М. Влияние фундаментальных факторов и механизмов на развитие фондового рынка / Л. М. Борщ // Научный вестник: финансы, банки, инвестиции. – 2018. – № 4(45). – С. 153-164.
15) Булахов, В. А. Развитие фондового рынка и инвестиционных институтов России / В. А. Булахов, С. А. Образцова // Стратегия социально-экономического развития общества: управленческие, правовые, хозяйственные аспекты : сборник научных статей 9-й Международной научно-практической конференции: в 2 томах, Курск, 21–22 ноября 2019 года. Том 1. – Курск: Юго-Западный государственный университет, 2019. – С. 103-119.
16) Буранова, Е. А. Цифровые технологии на фондовом рынке / Е. А. Буранова // Цифровая трансформация как вектор устойчивого развития : материалы V Всероссийской научно-практической конференции, Казань, 23 марта 2023 года. – Казань: Издательство "Познание", 2023. – С. 16-19.
17) Бушуев, К. В. Применение нейросетевых методов при прогнозировании динамики фондового рынка : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Бушуев Константин Вадимович. – Москва, 2002. – 179 с.
18) Волков, В. В. Исследование реакции фондового рынка на публикацию прогнозов финансовых результатов компании / В. В. Волков, В. Н. Севостьянов // Молодой ученый. – 2014. – № 8-2(67). – С. 22-24.
19) Галынис, К. И. Тенденции развития фондового рынка России / К. И. Галынис // Инновации и инвестиции. – 2023. – № 6. – С. 208-211.
20) Головин, Д. А. Нейросетевые методы и алгоритмы в задачах прогнозирования экономических показателей: история и перспективы / Д. А. Головин // Школа молодых ученых : материалы областного профильного семинара по проблемам естественных наук, Липецк, 16 октября 2020 года. – Липецк: Липецкий государственный педагогический университет имени П.П. Семенова-Тян-Шанского, 2020. – С. 57-61.
21) Голубенко, Н. В. Прогнозирование перспектив развития инструментов инвестирования на фондовом рынке / Н. В. Голубенко // Дни науки студентов Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых : Сборник материалов научно-практических конференций, Владимир, 20 марта – 07 2023 года. – Владимир: Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых, 2023. – С. 3276-3282.
22) Городецкая, О. Ю. Прогнозирование финансовых рынков с использованием сверточной нейронной сети / О. Ю. Городецкая, Я. Л. Гобарева, А. В. Медведев // Проблемы экономики и юридической практики. – 2021. – Т. 17, № 3. – С. 65-72.
23) Головачев, С. С. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей : диссертация на соискание ученой степени кандидата наук / Головачев Сергей Сергеевич, 2014. – 191 с.
24) Голубенко, Н. В. Прогнозирование перспектив развития инструментов инвестирования на фондовом рынке / Н. В. Голубенко // Дни науки студентов Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых : Сборник материалов научно-практических конференций, Владимир, 20 марта – 07 2023 года. – Владимир: Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых, 2023. – С. 3276-3282.
25) Городецкая, О. Ю. Прогнозирование финансовых рынков с использованием сверточной нейронной сети / О. Ю. Городецкая, Я. Л. Гобарева, А. В. Медведев // Проблемы экономики и юридической практики. – 2021. – Т. 17, № 3. – С. 65-72.
26) Греков, М. С. Исследование методов технического и интеллектуального анализа курса ценных бумаг / М. С. Греков // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем : Материалы Всероссийской конференции с международным участием, Москва, 18–22 апреля 2022 года. – Москва: Российский университет дружбы народов (РУДН), 2022. – С. 204-208.
27) Грязнов, Н. С. Проблемы и перспективы развития фондового рынка России в условиях санкционного давления / Н. С. Грязнов // Научные исследования современных проблем развития России: тенденции развития в условиях неопределенности : Сборник научных трудов по итогам Международной научно-практической конференции молодых ученых Санкт-Петербургского государственного экономического университета. В 2-х частях, Санкт-Петербург, 16 мая 2023 года. – Санкт-Петербург: Санкт-Петербургский государственный экономический университет, 2024. – С. 16-19.
28) Гусева, Е. С. Развитие фондового рынка в России / Е. С. Гусева, Н. В. Лактионова // Modern Science. – 2022. – № 6-1. – С. 70-75.
29) Демин, И. С. Нейросетевые технологии в подготовке экономистов / И. С. Демин // Социально-экономические явления и процессы. – 2014. – № 1(59). – С. 11-13.
30) Дерен, В. И. Экономика: экономическая теория и экономическая политика : учебник для вузов / В. И. Дерен. — 8-е изд., испр. и доп. — Москва : Издательство Юрайт, 2024. — 903 с. — (Высшее образование). — ISBN 978-5-534-18277-4.
31) Дмитриев, А.С. Модель прогнозирования фондовых рынков на основе нейронных сетей / В. В. Меркулов, Д. Ю. Сивко, А. С. Дмитриев // Инженерный вестник Дона. - 2023. - № 6. – С. 10 – 21.
32) Дорохов, Е. В. Статистический анализ и прогнозирование развития фондового рынка России : специальность 08.00.12 "Бухгалтерский учет, статистика" : автореферат диссертации на соискание ученой степени кандидата экономических наук / Дорохов Евгений Владимирович. – Москва, 2004. – 22 с.
33) Дрозд, Р. А. Мобильные приложения для инвестирования как катализатор увеличения доли частных инвесторов на фондовом рынке / Р. А. Дрозд, А. Д. Шматко, А. П. Фомина // Экономика и предпринимательство. – 2020. – № 10(123). – С. 660-663.
34) Егорова, Н. Е. Методы и результаты прогнозирования российского фондового рынка / Н. Е. Егорова, К. А. Торжевский // Финансовая аналитика: проблемы и решения. – 2014. – № 39(225). – С. 2-11.
35) Жемков, М. И. Макроэкономическая политика в России: краткосрочное прогнозирование, коммуникационная политика и региональный анализ : диссертация на соискание ученой степени кандидата экономических наук / Жемков Михаил Игоревич, 2023. – 112 с.
36) Зайченко, Ю. П. Исследование каскадных нео-фаззи нейронных сетей в задачах прогнозирования в финансовой сфере / Ю. П. Зайченко // Системные исследования и информационные технологии. – 2014. – № 3. – С. 50-63.
37) Карасев, И. Г. Современные системы принятия решений в экономике с использованием нейросетей / И. Г. Карасев // Студенческий вестник. – 2022. – № 3-4(195). – С. 90-92.
38) Карпухин, А. И. Об одном использовании метода слайс-регрессии для прогнозирования волатильности параметров фондового рынка / А. И. Карпухин // Инновации и инвестиции. – 2023. – № 5. – С. 303-307.
39) Ким, Ю. А. Искусственный интеллект и роботизация процессов в маркетинговой деятельности предприятий / Ю. А. Ким // Индустриальная Россия: вчера, сегодня, завтра : Сборник научных статей по материалам XII Международной научно-практической конференции, Уфа, 02 мая 2023 года. Том Часть 1. – Уфа: Общество с ограниченной ответственностью "Научно-издательский центр "Вестник науки", 2023. – С. 107-117.
40) Ключко, Е. В. Использование искусственного интеллекта в сфере информационных технологий: современный аспект / Е. В. Ключко, Н. А. Аппалонова // Наука и образование: взаимодействие бизнеса и общества в условиях трансформации информационных процессов и технологий : Материалы Международной научно-практической конференции. В 3-х частях, Казань, 01 декабря 2023 года. – Казань: Университет управления "ТИСБИ" (Татарский институт содействия бизнесу), 2023. – С. 48-55.
41) Колесников, В. Ю. Технический анализ методов прогнозирования фондового рынка / В. Ю. Колесников, Ю. К. Орлов // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2020) : Сборник материалов XI Международной научно-технической конференции в рамках VI Международного Научного форума Донецкой Народной Республики, Донецк, 27–28 мая 2020 года / Редколлегия: Ю.К. Орлов [и др.]. – Донецк: Донецкий национальный технический университет, 2020. – С. 523-526.
42) Колесников, В. Ю. Методы прогнозирования и анализ фондового рынка / В. Ю. Колесников // Международная научно-техническая конференция молодых ученых БГТУ им. В.Г. Шухова, Белгород, 01–20 мая 2019 года. – Белгород: Белгородский государственный технологический университет им. В.Г. Шухова, 2019. – С. 2764-2768.
43) Комков, Р. М. Особенности обращения акций на российском фондовом рынке / Р. М. Комков, Ю. В. Семернина // Первый экономический журнал. – 2023. – № 7(337). – С. 138-146.
44) Коновалова, М. Е. Прогнозирование развития фондовых рынков в условиях становления цифровой экономики / М. Е. Коновалова, А. М. Михайлов, О. Ю. Кузьмина // Вестник Самарского государственного экономического университета. – 2018. – № 11(169). – С. 13-19.
45) Козловский, А. Н. Нечеткая модель для оценки и прогнозирования системы фондового рынка / А. Н. Козловский, А. О. Недосекин, М. С. Кокорин // Международная конференция по мягким вычислениям и измерениям. – 2020. – Т. 1. – С. 94-96.
46) Кравец, Р. А. Прогнозирование тенденций мировых фондовых рынков и их влияние на развитие реального сектора экономики Украины / Р. А. Кравец // Бизнес информ. – 2014. – № 12. – С. 75-84.
47) Кратович, П. В. Нейросетевые модели для управления инвестициями в финансовые инструменты фондового рынка : специальность 05.13.10 "Управление в социальных и экономических системах" : диссертация на соискание ученой степени кандидата технических наук / Кратович Павел Валерьевич. – Тверь, 2011. – 165 с.
48) Кунташев, П. А. Фундаментальные факторы и тренды российского фондового рынка / П. А. Кунташев // Гуманитарные, социально-экономические и общественные науки. – 2015. – № 2. – С. 330-332.
49) Левицкая, Т. А. Моделирование прогнозирования фондовых рынков с использованием нейронных сетей / Т. А. Левицкая, К. Г. Романов // Вестник Приазовского государственного технического университета. Серия: Технические науки. – 2017. – № 35. – С. 226-230.
50) Лобачёва, Е. Н. Нейросетевое прогнозирование на рынке ценных бумаг // Гуманитарный вестник. 2020. №5 (85). URL: https://cyberleninka.ru/article/n/neyrosetevoe-prognozirovanie-na-rynke-tsennyh-bumag (дата обращения: 23.06.2024).
51) Логутов, А. Л. Правовое регулирование искусственного интеллекта в Российской Федерации / А. Л. Логутов // Актуальные проблемы современного права: соотношение публичных и частных начал : Сборник научно-практических статей v международной научно-практической конференции (СИМПОЗИУМА), Краснодар, 11 ноября 2020 года. – Краснодар: Научно-исследовательский институт актуальных проблем современного права, 2021. – С. 173-177.
52) Ломакин, Н. И. Исследование финансовых рисков нейросетью в условиях цифровой экономики / Н. И. Ломакин, Я. А. Попова // Юность и Знания - Гарантия Успеха - 2018 : Сборник научных трудов 5-й Международной молодежной научной конференции. В 2-х томах, Курск, 20–21 сентября 2018 года / Ответственный редактор А.А. Горохов. Том 1. – Курск: Закрытое акционерное общество "Университетская книга", 2018. – С. 117-120.
53) Магомедова, Н. А. Организационные модели управления: развитие и потенциал в условиях цифровизации / Н. А. Магомедова // Экономика и предпринимательство. – 2023. – № 11(160). – С. 1271-1279.
54) Мазаев, Н. Ю. Развитие механизма управления портфелем ценных бумаг на фондовом рынке России на основе макроэкономической методики : специальность 08.00.10 "Финансы, денежное обращение и кредит" : диссертация на соискание ученой степени кандидата экономических наук / Мазаев Никита Юрьевич, 2018. – 155 с.
55) Малышенко, К. А. Использование нейросетей для целей прогнозирования фондового рынка / К. А. Малышенко, М. В. Анашкина // Ефективна економіка. – 2014. – № 2. – С. 18 – 30.
56) Мировые финансы: структура и анализ мировых рынков : учебник и практикум для вузов / М. А. Эскиндаров [и др.] ; под общей редакцией М. А. Эскиндарова, Е. А. Звоновой. — Москва : Издательство Юрайт, 2024. — 409 с. — (Высшее образование). — ISBN 978-5-534-17687-2.
57) Мирошниченко, М. А. Применение искусственного интеллекта - современное технологическое решение в условиях цифровой экономики России / М. А. Мирошниченко, А. А. Абдуллаева, К. К. Сивинцева // Вестник Академии знаний. – 2023. – № 1(54). – С. 393-399.
58) Мицель, А.А. Прогнозирование динамики цен на фондовом рынке / Мицель А.А., Ефремова Е.А. // Известия Томского политехнического университета 2006, Том 8, С.309–314.
59) Мубаракшин, С. Р. Современные возможности прогнозирования на фондовых рынках на основе сентимент-анализа / С. Р. Мубаракшин, С. А. Королев // Бизнес и общество. – 2022. – № 1(33). – 125 – 135.
60) Напалков, Д. А. Анализ подходов к прогнозированию динамики фондового рынка / Д. А. Напалков // Экономика и бизнес: теория и практика. – 2021. – № 7(77). – С. 100-103.
61) Нестерова, К. И. Обзор современных методов прогнозирования динамики цен на фондовом рынке / К. И. Нестерова // Наукосфера. – 2020. – № 7. – С. 91-95.
62) Огнев, Г. Г. Исследование глубоких нейронных сетей с LSTM архитектурой для прогнозирования финансовых временных рядов / Г. Г. Огнев, Е. Ю. Щетинин // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем : Материалы Всероссийской конференции с международным участием, Москва, 13–17 апреля 2020 года. – Москва: Российский университет дружбы народов (РУДН), 2020. – С. 280-283.
63) Озмаден, Д. Ансамбль LSTM нейронных сетей для прогнозирования цен на фондовом рынке / Д. Озмаден, А. П. Крымов // Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов имени Е.В. Арменского : Материалы конференции, Москва, 10–17 марта 2021 года. – Москва: Московский институт электроники и математики НИУ ВШЭ, 2021. – С. 284-286.
64) Оленев, Р. О. Прогнозирование фондовых индексов с использованием моделей ARIMA и LSTM / Р. О. Оленев // Процессы управления и устойчивость. – 2023. – Т. 10, № 1. – С. 304-308.
65) Ольберг, И. И. Использование нейросетей в современной экономике / И. И. Ольберг // Актуальные проблемы современной науки: взгляд молодых : Сборник трудов X Всероссийской (с международным участием) научно-практической конференции студентов, аспирантов и молодых ученых, Челябинск, 22 апреля 2021 года. – Челябинск: Южно-Уральский технологический университет, 2021. – С. 699-703.
66) Омран, Ш. Оценка эффективности и волатильности фондового рынка в Российской Федерации : специальность 08.00.10 "Финансы, денежное обращение и кредит" : диссертация на соискание ученой степени кандидата экономических наук / Омран Шади, 2021. – 140 с.
67) Патласов, Д. А. Применение нейронных сетей архитектуры LSTM для моделирования волатильности фондового рынка / Д. А. Патласов, Р. В. Гарафутдинов // Вестник Пермского университета. Серия: Экономика. – 2024. – Т. 19, № 1. – С. 41-51.
68) Пахтусов, В. А. Анализ деятельности инвесторов на российском фондовом рынке в 2020 году / В. А. Пахтусов // ЭКОНОМИКА в ТЕОРИИ и на ПРАКТИКЕ: АКТУАЛЬНЫЕ ВОПРОСЫ и современные АСПЕКТЫ : сборник статей IX Международной научно-практической конференции, Пенза, 25 июня 2021 года. – Пенза: Наука и Просвещение, 2021. – С. 128-130.
69) Перевезенцев, Е. Е. Метод прогнозирования цен на фондовом рынке / Е. Е. Перевезенцев // Математическое и программное обеспечение вычислительных систем : Межвузовский сборник научных трудов конференции, Рязань, 26–27 мая 2021 года. – Рязань: ИП Коняхин А.В.(BookJet), 2021. – С. 20-21.
70) Петрусевич, Д. А. Прогнозирование поведения фондового рынка при помощи методов искусственного интеллекта / Д. А. Петрусевич, А. В. Золкина, А. В. Алексахин // Экономика отраслевых рынков: формирование, практика и развитие. Топливно-энергетический комплекс: правовое и экономическое регулирование : Сборник материалов межвузовской научной конференции и круглого стола, Москва-УОК "Лесное озеро", 02–03 февраля 2018 года / Под научной редакцией Н.А. Харитоновой. – Москва-УОК "Лесное озеро": Издательско-торговая корпорация "Дашков и К", 2018. – С. 147-151.
71) Подгорный, Б. Б. Практическое применение теории перспектив на примере экономико-социологических исследований российского фондового рынка / Б. Б. Подгорный // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. – 2019. – Т. 9, № 3(32). – С. 182-191.
72) Подкопытнова, Д. В. Применение метода скользящих средних на фондовом рынке / Д. В. Подкопытнова, Э. В. Атанова // Научно-практические исследования. – 2017. – № 9(9). – С. 105-107.
73) Полякова, А. А. Нейросети как эффективный инструмент современного менеджмента / А. А. Полякова, Э. Ц. Гармаева // Актуальные проблемы авиации и космонавтики : сборник материалов IX Международной научно-практической конференции, посвященной Дню космонавтики. В 3-х томах, Красноярск, 10–14 апреля 2023 года. Том 3. – Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева", 2023. – С. 188-191.
74) Рушанян, А. Ф. Использования нейросетевых технологии в экономическом прогнозе / А. Ф. Рушанян // Формирование инновационной экономики будущего : материалы V международной научно-практической конференции, Москва, 26 марта 2020 года. – Саратов: Общество с ограниченной ответственностью "Центр профессионального менеджмента "Академия Бизнеса", 2020. – С. 41-46.
75) Рынок ценных бумаг : учебник для вузов / Н. И. Берзон [и др.] ; под общей редакцией Н. И. Берзона. — 5-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2024. — 514 с. — (Высшее образование). — ISBN 978-5-534-11196-5.
76) Садыков, А. М. Значение моделей искусственных нейронных сетей в прогнозировании фондового рынка / А. М. Садыков // Аллея науки. – 2022. – Т. 1, № 11(74). – С. 1201-1205.
77) Самохвалов, С. В. Фондовый рынок Российской Федерации в условиях санкций / С. В. Самохвалов // Вестник евразийской науки. – 2024. – Т. 16, № S1.
78) Свистунов, Л. О. Анализ практического использования искусственного интеллекта в России / Л. О. Свистунов // ФЭС: Финансы. Экономика. Стратегия. – 2023. – Т. 20, № 4. – С. 43-49.
79) Севумян, Э. Н. Прогнозирование ценовой динамики на фондовом рынке. Гипотеза эффективного рынка / Э. Н. Севумян // Экономика: вчера, сегодня, завтра. – 2018. – Т. 8, № 3A. – С. 350-357.
80) Сенцова, М. А. Нейронные сети и другие методы прогнозирования фондового рынка / М. А. Сенцова // Экономическое прогнозирование: модели и методы : материалы X международной научно-практической конференции, Воронеж, 05–07 июня 2014 года. – Воронеж: Издательско-полиграфический центр "Научная книга", 2014. – С. 131-134.
81) Сергеев, В. А. Использование нейросетей в прогнозировании фондового рынка / В. А. Сергеев // Азимут научных исследований: экономика и управление. – 2018. – Т. 7, № 4(25). – С. 280-282.
82) Сизова, А. О. Обзор алгоритмов и методов интеллектуальной системы поддержки принятия решений на финансовых рынках / А. О. Сизова // Экономика. Бизнес. Банки. – 2022. – № 4(66). – С. 96-104.
83) Смирнова, Е. С. Методы прогнозирования на фондовом рынке: анализ, проблемы применения / Е. С. Смирнова, И. В. Смирнова // Молодой исследователь : Материалы 3-й научной выставки-конференции научно-технических и творческих работ студентов, Челябинск, 19–21 апреля 2016 года / Министерство образования и науки Российской Федерации; Южно-Уральский государственный университет. Том 2. – Челябинск: Южно-Уральский государственный университет (национальный исследовательский университет), 2016. – С. 314-319.
84) Сулимов, А. А. Методы принятия решений по формированию оптимальных стратегий на фондовом рынке : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Сулимов Александр Александрович. – Москва, 2006. – 193 с.
85) Тарасевич, А. Е. Внедрение цифровых решений в условиях модели сервисной экономики / А. Е. Тарасевич, А. В. Меркулова // II Международная конференция по продвинутому системному анализу и моделированию бизнес-процессов : сборник докладов международной конференции, Екатеринбург, 06–08 октября 2022 года. – Донецк: Федеральное государственное бюджетное образовательное учреждение высшего образования "Донецкий государственный университет", 2023. – С. 136-140.
86) Терехова, М. А. Искусственный интеллект в цифровой реальности / М. А. Терехова // Материалы 78-й студенческой научной конференции, Брянск, 20–23 марта 2023 года. – Брянск: Брянский государственный технический университет, 2023. – С. 493-496.
87) Ткаченко, А. Л. Возможности системы Loginom для анализа и построения прогноза курса акций / А. Л. Ткаченко, В. В. Журавлева // Информационные технологии. Проблемы и решения. – 2023. – № 1(22). – С. 54-59.
88) Торжевский, К. А. Методы и модели анализа и прогнозирования развивающихся фондовых рынков (на примере России) : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Торжевский Кирилл Анатольевич. – Москва, 2009. – 249 с.
89) Трощенко, К. Д. Применение нейросетей в прогнозировании экономических процессов / К. Д. Трощенко // Обществознание и социальная психология. – 2023. – № 9-3(39). – С. 85-89.
90) Устинов, Е. А. Роль методологии науки при исследовании фондового рынка / Е. А. Устинов // Вестник Российского экономического университета им. Г.В. Плеханова. Вступление. Путь в науку. – 2017. – № 2(18). – С. 82-90.
91) Федорова, Я. В. Применение статистических методов при анализе и прогнозировании индекса Dow Jones на фондовом рынке / Я. В. Федорова, А. Ф. Рогачев // Друкеровский вестник. – 2021. – № 4(42). – С. 233-241.
92) Федосова, М. Н. Разработка метода анализа и прогнозирования финансовых временных рядов фондового рынка в условиях нестабильной экономики : специальность 08.00.13 "Математические и инструментальные методы экономики" : диссертация на соискание ученой степени кандидата экономических наук / Федосова Маргарита Николаевна, 2018. – 224 с.
93) Финансы : учебник для вузов / Т. П. Беляева [и др.] ; под редакцией Н. Г. Ивановой. — Москва : Издательство Юрайт, 2024. — 449 с. — (Высшее образование). — ISBN 978-5-534-13894-8.
94) Финансы : учебник и практикум для вузов / Л. А. Чалдаева [и др.] ; под редакцией Л. А. Чалдаевой. — 4-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2024. — 494 с. — (Высшее образование). — ISBN 978-5-534-16203-5.
95) Хайрисламов, Д. А. Методы машинного обучения для прогнозирования фондового рынка / Д. А. Хайрисламов // Высокие технологии и инновации в науке : Сборник избранных статей Международной научной конференции, Санкт-Петербург, 28 марта 2021 года. – Санкт-Петербург: Частное научно-образовательное учреждение дополнительного профессионального образования Гуманитарный национальный исследовательский институт «НАЦРАЗВИТИЕ», 2021. – С. 79-84.
96) Хамхоева, Ф. Я. Нейронные сети в экономическом анализе: плюсы и минусы / Ф. Я. Хамхоева // Norwegian Journal of Development of the International Science. – 2020. – № 51-4. – С. 72-75.
97) Хорошева, И. С. Развитие методического инструментария технического анализа для управления фондовыми активами в кризисных условиях / И. С. Хорошева, О. И. Кашина // Управленческий учет. – 2022. – № 6-3. – С. 739-745.
98) Черкашнев, Р. Ю. Прогрессивные методы прогнозирования цены на фондовом рынке / Р. Ю. Черкашнев // Современные проблемы и перспективы развития банковского сектора России : Материалы III Всероссийской научно-практической конференции с международным участием, Тамбов, 21 апреля 2018 года / Министерство образования и науки РФ, ФГБОУ ВО «Тамбовский государственный университет имени Г.Р. Державина»; Ответственный редактор Я.Ю. Радюкова. – Тамбов: Тамбовский государственный университет имени Г.Р. Державина, 2018. – С. 209-214.
99) Чернавин, Н. П. Применение метода комитетов к анализу технических индикаторов фондового рынка / Н. П. Чернавин // Бизнес-информатика. – 2019. – Т. 13, № 4. – С. 73-86.
100) Шалимов, В. В. Особенности и эффективность технического анализа на фондовом рынке в кризисные периоды / В. В. Шалимов, Я. В. Самойлова // Сборник материалов XXII Международной научно-практической конференции "Смирновские чтения – 2023", Санкт-Петербург, 22–24 марта 2023 года / Международный банковский институт имени Анатолия Собчака. Том Часть 2. – Санкт-Петербург: Международный банковский институт имени Анатолия Собчака, 2023. – С. 39-44.
101) Шаль, А. В. Нейронные сети в экономике и финансах / А. В. Шаль, С. А. Шаль // Статистика - язык цифровой цивилизации : Сборник докладов II Открытого российского статистического конгресса, Ростов-на-Дону, 04–06 декабря 2018 года. Том 2. – Ростов-на-Дону: АзовПринт, 2018. – С. 309-313.
102) Шотыло, Д. М. Тенденции развития искусственных нейронных сетей в цифровой экономике / Д. М. Шотыло, В. Е. Крайнова, А. В. Скурыдин // Экономинфо. – 2018. – Т. 15, № 4. – С. 65-69.
103) Ярошенко, Г. А. Методы прогнозирования фондовых рынков / Г. А. Ярошенко // Мой выбор - наука! : сборник материалов VI Региональной молодежной конференции, XLVI научной конференции студентов, магистрантов, аспирантов и учащихся лицейных классов, Барнаул, 17–27 апреля 2019 года. – Барнаул: Алтайский государственный университет, 2020. – С. 918-922.
104) Lavrenova, E. S. A Note on the Predictability of the Russian Stock Market / E. S. Lavrenova, T. G. Ilina // Tomsk State University Journal of Economics. – 2020. – No. 49. – P. 160-182.
105) Shiman, P. P. Neural network methods and tools for supporting dicisions in the stock market / P. P. Shiman // XXXVI Международные Плехановские чтения : Сборник статей аспирантов и молодых ученых на иностранных языках, Москва, 21 марта 2023 года. – Москва: Российский экономический университет имени Г.В. Плеханова, 2023. – P. 141-147.
