Preview

Цифровые решения и технологии искусственного интеллекта

Расширенный поиск

Теоретическое решение модели неопределенности опережающих данных

https://doi.org/10.26794/3033-7097-2025-1-4-86-92

Аннотация

В статье предлагается теоретическое решение переменной неопределенности в расчетах опережающих индикаторов на примере экономических данных, ожидаемых деловыми сообществами. Предлагаемый авторами подход позволяет решить проблему, имеющуюся в технологии обработки первичных данных мнений деловых сообществ, что является актуальным для максимального привлечения значимой информации в принятии решений. Цель статьи — продемонстрировать результаты решения модели инкапсуляции и декапсуляции информации с неопределенными исходами. В качестве метода исследования применялось построение нелинейных парных уравнений регрессии временных последовательностей экономико-статистической и социологической информации. Рассматриваются условия модели с временными последовательностями независимой неопределенной переменной, обсуждается верификация и оценка качества модели. Исследование проводилось в 1993–2025 гг. на базах Банка России и Научно-исследовательского финансового института Министерства финансов РФ (НИФИ). Источниками информации являются Московская межбанковская валютная биржа, платформа Investing.com, аналитические подразделения коммерческих банков и брокерских организаций. Модель строилась на сплошной выборке данных прогнозов и мнений участников срочных рынков. Основные результаты, полученные при решении модели, свидетельствуют о существенном повышении (на 40%) тестирования точности классификации для машинного обучения нейросети поиска и предобработки данных биржевой торговли. Показано преимущество решения множественной модели парных уравнений регрессии с использованием временной последовательности ожидаемых деловыми сообществами значений экономического показателя, включая деинкапсулированную неопределенную переменную по отношению к стандартным решениям парных уравнений регрессии.

Об авторах

И. Ю. Варьяш
Научно-исследовательский финансовый институт Министерства финансов Российской Федерации
Россия

Игорь Юрьевич Варьяш — доктор экономических наук, руководитель Аналитического центра финансовых исследований

Москва



Д. В. Климонов
Научно-исследовательский финансовый институт Министерства финансов Российской Федерации; Московский университет «Синергия»
Россия

Даниил Викторович Климонов — аналитик Аналитического центра финансовых исследований; аспирант

Москва



Список литературы

1. Варьяш И.Ю. Контроллинг экономических ожиданий. М.: Финуниверситет; 2012. 176 с. URL: https://elibrary.ru/qvimen

2. Varyash I. Yu. The Planning System: Market and Centralization. Review of Business and Economics Studies. 2022;10(3):18– 25. DOI: 10.26794/2587-5671-2022-10-3-18-25

3. Варьяш И.Ю., Зубец А.Н. Оценка опережающих индикаторов экономической деятельности в Российской Федерации по методологии ОЭСР. Вопросы статистики. 2016;11:31–36. URL: https://elibrary.ru/nliwpa

4. Варьяш И.Ю., Логвинов С.А., Ильинский А.И., Донцова О.И. Макропланирование экономического развития. Динамическая модель опережающих индикаторов. Монография. Николаев: Изд-во Ирины Гудим; 2014. 157 с. URL: https://elibrary.ru/nliwpa

5. Платов В.Я., Платова О.В., Золотарева С.Е. Технология стратегического планирования и управления. М.: Издво «Дело»; 2013. 372 с. URL: https://elibrary.ru/qvcyal

6. Черковец В.Н. К ренессансу планомерного функционирования и развития экономики России. Вестн. Моск. Ун-та. Серия 6: Экономика. 2015;2:56–65. URL: https://elibrary.ru/tthiin

7. Kalman R.E. A new approach to linear filtering and prediction problems. Journal of Basic Engineering. 1960;82(1):35–45. DOI: 10.1115/1.3662552

8. Котенко А.П., Кузнецова О.А. Эконометрика. Парная регрессия. Методические указания к лабораторным работам. Самара: Изд-во Самарского университета; 2016. 49 с. URL: https://repo.ssau.ru/bitstream/Metodicheskie-materialy/Ekonometrika-Parnaya-regressiya-Elektronnyi-resurs-metod-ukazaniya-k-lab-rabotam-68633/1/КотенкоА.П. Эконометрика. Парная регрессия.pdf

9. Варьяш И.Ю., Бурова Т.Ф., Панасенко К.К. Исследование моделей опережающих индикаторов условий финансирования. Chronos. Экономические науки. 2019;1(15):100–114. URL: https://elibrary.ru/njzzlv

10. Чесноков С.В. Детерминационный анализ социально-экономических данных. М.: URSS; 2009. 168 с. URL: https://elibrary.ru/qteedx

11. Демидова О.А., Карнаухова Е.Е., Коршунов Д.А., Мясников А.А., Серегина С.Ф. Асимметричные эффекты денежно-кредитной политики в регионах России. Вопросы экономики. 2021;6:77–102. DOI: 10.32609/0042-8736-2021-6-77-102

12. Анохин П.К. Системный анализ интегративной деятельности нейрона. Успехи физиологических наук. 1974;5(5):5–92.

13. Анохин П.К. Избранные труды. Системные механизмы высшей нервной деятельности. М.: Наука; 1979. 453 с. URL: https://djvu.online/file/iVz0OfxMDP16r


Рецензия

Для цитирования:


Варьяш И.Ю., Климонов Д.В. Теоретическое решение модели неопределенности опережающих данных. Цифровые решения и технологии искусственного интеллекта. 2025;1(4):86-92. https://doi.org/10.26794/3033-7097-2025-1-4-86-92

For citation:


Varjas I.Yu., Klimonov D.V. Solving an Uncertainty Model Using Leading Data Synthesis. Digital Solutions and Artificial Intelligence Technologies. 2025;1(4):86-92. (In Russ.) https://doi.org/10.26794/3033-7097-2025-1-4-86-92

Просмотров: 49

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 3033-7097 (Online)