Детальная информация

В условиях растущего объема данных и увеличения сложности экономических взаимодействий возникает необходимость в применении более совершенных методов анализа и междисциплинарных подходов к исследованию систем со смешанным поведением. Интеллектуальные методы анализа, применяемые при машинном или глубоком обучениях, позволяют учитывать сложные паттерны и нелинейные зависимости в данных. Методы прикладной статистики предоставляют надежные подходы к проверке гипотез, оценки параметров моделей и интерпретации результатов. При рассмотрении разных систем со сложным поведением выявлено, что экономические процессы часто характеризуются нелинейностью, нестационарностью и наличием скрытых зависимостей. Кроме того, применение методов машинного обучения и глубокого анализа данных позволяет не только повысить точность прогнозов, но и выявить скрытые закономерности, которые могут быть упущены при использовании традиционных статистических подходов. Это особенно важно при исследовании финансовых рынков, где динамика изменений может быть крайне нестабильной и подверженной влиянию множества внешних факторов. Внедрение таких методов способствует повышению эффективности принятия решений в условиях неопределенности, что делает их незаменимыми инструментами для современных экономических исследований. Таким образом, исследования в данной области являются актуальным направлением, что подтверждается не только природой ряда, но и необходимостью поиска более совершенных методов анализа и прогнозирования. В статье приводится предварительный анализ, а также построение прогноза на базе линейного клеточного автомата. Методы прикладной статистики и интеллектуального анализа данных выступают инструментами в части анализа временного ряда, а также применяются в вопросе адаптации методов кластеризации как средства автоматизации прогнозной модели. Использование и встраивание в алгоритм линейного клеточного автомата известных методов кластеризации позволят, как показано авторами, выявить закономерности и повысить качество прогноза. Объектом исследования является временной ряд финансового рынка, поскольку данные экономические ряды демонстрируют влияние множества сложновыявляемых (по степени воздействия) факторов, таких как внешние шоки, сезонные колебания и долгосрочные тренды. По результатам исследования выяснено, что использование алгоритмов интеллектуального анализа позволяет автоматизировать процесс перевода числовых показателей временного ряда в лингвистический аналог для получения прогнозного значения без потери качества.

With the growing volume of data and increasing complexity of economic interactions, more advanced analysis methods and interdisciplinary approaches should be applied to study of systems with mixed behavior. Data mining methods used in machine learning or deep learning allow to take into account complex patterns and nonlinear dependencies in the data. Applied statistics methods provide reliable approaches to hypothesis testing, model parameter estimation and interpretation of results. It was established for different systems with complex behavior that economic processes are often characterized by nonlinearity, instability, and the presence of hidden dependencies. Furthermore, machine learning and deep data analysis methods allow not only to improve the forecasting accuracy but also to identify hidden patterns that may be overlooked by traditional statistical approaches. This is especially important in the study of financial markets, where the dynamics of change can be extremely unstable and influenced by many external factors. Such methods help to increase the effectiveness of decision-making in conditions of uncertainty, serving as indispensable tools for modern economic research. Thus, research in this area is urgent, as confirmed not only by the nature of the series, but also by the need to find more advanced methods of analysis and forecasting. The article provides preliminary analysis, additionally constructing a forecast based on a linear cellular automaton. Applied statistics and data mining tools were used for time series analysis as well as for adaptation of clustering methods as a means for automating the predictive model. We confirmed that use and integration of well-known clustering methods into the linear cellular automaton algorithm allows to identify patterns and improve the quality of the forecast. The object of the study is the time series of the financial market, since these economic series are influenced by a variety of factors that are hard to detect (in terms of their influence), such as external shocks, seasonal fluctuations and long-term trends. Our findings indicate that data mining algorithms make it possible to automate the process of translating numerical indicators of a time series into a linguistic equivalent to obtain predictive values without loss of quality.

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. — Загл. с титул. экрана. — Периодичность: 6 раз в год. — Выходит с 2022 г. — Электрон. журнал. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. Т. 18, № 1, 2025. — 1 файл (10,7 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j25-104.pdf>.