Details

Title Artificial intelligence as a forecast to financial and economic indicators in the technological industry: выпускная квалификационная работа магистра: направление 38.04.01 «Экономика» ; образовательная программа 38.04.01_28 «Международные финансы (международная образовательная программа)»
Creators Гао Юйшань
Scientific adviser Дмитриев Николай Дмитриевич
Organization Санкт-Петербургский политехнический университет Петра Великого. Институт промышленного менеджмента, экономики и торговли
Imprint Санкт-Петербург, 2025
Collection Выпускные квалификационные работы ; Общая коллекция
Subjects искусственный интеллект ; машинное обучение ; финансовое прогнозирование ; технологическая отрасль ; случайный лес ; ROE ; artificial intelligence ; machine learning ; financial forecasting ; technology industry ; random forest
Document type Master graduation qualification work
File type PDF
Language Russian
Level of education Master
Speciality code (FGOS) 38.04.01
Speciality group (FGOS) 380000 - Экономика и управление
DOI 10.18720/SPBPU/3/2025/vr/vr25-2390
Rights Доступ по паролю из сети Интернет (чтение)
Additionally New arrival
Record key ru\spstu\vkr\35382
Record create date 7/10/2025

Allowed Actions

Action 'Read' will be available if you login or access site from another network

Group Anonymous
Network Internet

Целью данного исследования является изучение применения технологии искусственного интеллекта для прогнозирования финансовых и экономических показателей компаний технологической отрасли с упором на прогнозирование рентабельности капитала ( ROE ) и ее ключевых факторов. В исследовании были отобраны квартальные финансовые данные четырех репрезентативных технологических компаний ( BYD , Hikvision , GS Group и Rostec ) с 2014 по 2023 год, а также проведен их сравнение и анализ с помощью линейной регрессии и моделей сл учайного леса для проверки превосходства нелинейных моделей в прогнозировании сложных финансовых отношений. Результаты показывают, что модель случайного леса работает значительно лучше, чем модель линейной регрессии, в прогнозировании ROE со средней квадратической ошибкой ( MSE ) 0,000655 и коэффициентом детерминации ( R ²) 0,632, в то время как MSE и R ² линейной регрессии составляют 0,000946 и 0,468 соответственно. Анализ важности признаков показывает, что вклад чистой прибыли в ROE превышает 70%, за ним следует операционная прибыль (около 20%) и оборачиваемость активов (около 10%). Кроме того, исследование показало , что технологическая отрасль имеет типичные характеристики «высокая валовая прибыль — низкий оборот», а инвестиции в НИОКР имеют слабую положительную корреляцию с ROE , что указывает на то, что, хотя технологические инновации могут влиять на прибыль в краткосрочной перспективе, они помогут повысить корпоративную конкурентоспособность в долгосрочной перспективе. Это исследование предоставляет теоретическую поддержку на основе данных для финансового управления и инвестиционных решений технологических компаний и проверяет эффективность методов машинного обучения в финансовом прогнозировании. Дальнейшие исследования могут еще больше расширить диапазон выборки, внедрить динамические модели временных рядов и объединить нефинансовые показатели для создания более комплексной системы прогнозирования.

This study aims to explore the application of artificial intelligence technology in predicting financial and economic indicators of technology industry companies, focusing on the prediction of return on equity (ROE) and its key drivers. The study selected the quarterly financial data of four representative technology companies (BYD, Hikvision, GS Group and Rostec) from 2014 to 2023, and compared and analyzed them through linear regression and random forest models to verify the superiority of nonlinear models in predicting complex financial relationships. The results show that the random forest model performs significantly better than the linear regression model in predicting ROE, with a mean square error (MSE) of 0.000655 and a coefficient of determination (R²) of 0.632, while the MSE and R² of linear regression are 0.000946 and 0.468 respectively. The feature importance analysis shows that the contribution of net profit margin to ROE exceeds 70%, followed by operating profit margin (about 20%) and asset turnover rate (about 10%). In addition, the study found that the technology industry has the typical characteristics of "high gross profit-low turnover", and R&D investment has a weak positive correlation with ROE, indicating that although technological innovation may affect profits in the short term, it will help improve corporate competitiveness in the long run. This study provides data-driven theoretical support for the financial management and investment decisions of technology companies, and verifies the effectiveness of machine learning methods in financial forecasting. Future research can further expand the sample range, introduce dynamic time series models, and combine non-financial indicators to build a more comprehensive forecasting system.

Network User group Action
ILC SPbPU Local Network All
Read
Internet Authorized users SPbPU
Read
Internet Anonymous

Access count: 0 
Last 30 days: 0

Detailed usage statistics