Перспективы использования искусственного интеллекта для прогнозирования финансовых трендов

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Перспективы использования искусственного интеллекта для прогнозирования финансовых трендов

Шомахов Каплан Русланович

Аннотация

Исследование нацелено на анализ и применение методов искусственного интеллекта с целью прогнозирования финансовых тенденций на основе анализа имеющейся информации, включая, но не ограничиваясь, новостными данными. В статье проведен анализ эффективности алгоритмов машинного обучения и продемонстрирована взаимосвязь между новостными событиями и изменениями на финансовых рынках. Рассмотрены этапы разработки подобной программы, начиная с обучения алгоритмов на обширных наборах исторических данных, включая информацию о финансовых инструментах, экономических и политических событиях. Произведен анализ текущих новостных потоков с использованием подготовленных моделей для прогнозирования как краткосрочных, так и долгосрочных финансовых тенденций. Полученные результаты имеют практическое применение в финансовом секторе, включая обеспечение поддержки инвесторов, аналитиков и риск-менеджеров в процессе принятия обоснованных решений. Автор акцентирует внимание на том, что исходя из анализа существующих научных трудов, можно утверждать, что современные методы и подходы к применению искусственного интеллекта, предложенные исследователями, демонстрируют потенциал для эффективного применения на практике. Кроме того, будут затронуты вопросы точности прогнозов искусственного интеллекта, а также потенциальные ограничения и вызовы, связанные с применением подобных моделей в современных условиях рынка. Статья формирует теоретическую базу для последующих исследований в сфере анализа финансовых данных с применением передовых технологий. В заключении автор подчеркивает, что, учитывая выявленные ограничения и проблемы, разработчики программного обеспечения и пользователи должны быть способны адаптировать свои модели к изменяющимся рыночным условиям, тщательно анализировать результаты и принимать решения, основанные не только на допущениях модели, но и на многочисленных источниках информации.

Ключевые слова: искусственный интеллект; финансовые тренды; машинной обучение; прогнозирование финансовых рынков; анализ данных; финансовая аналитика; оценка рисков; инвестиционные стратегии

Shomakhov Kaplan Ruslanovich

Prospects for using Artificial Intelligence to forecast financial trends

Abstract

The study aims to analyze and apply artificial intelligence methods to predict financial trends based on the analysis of available information, including, but not limited to, news data. The article analyzes the effectiveness of machine learning algorithms and demonstrates the relationship between news events and changes in financial markets. The stages of developing such a program are considered, starting with training algorithms on extensive sets of historical data, including information about financial instruments, economic and political events. An analysis of current news flows was carried out using prepared models to predict both short-term and long-term financial trends. The findings have practical applications in the financial sector, including supporting investors, analysts and risk managers in making informed decisions. The author focuses on the fact that based on the analysis of existing scientific works, it can be argued that modern methods and approaches to the use of artificial intelligence proposed by researchers demonstrate the potential for effective use in practice. In addition, issues of the accuracy of artificial intelligence forecasts will be addressed, as well as potential limitations and challenges associated with the use of such models in modern market conditions. The article forms a theoretical basis for subsequent research in the field of financial data analysis using advanced technologies. The author concludes by emphasizing that given the limitations and challenges identified, software developers and users must be able to adapt their models to changing market conditions, carefully analyze the results, and make decisions based not only on the model's assumptions, but also on multiple sources of information.

Keywords: artificial intelligence; financial trends; machine learning; forecasting financial markets; data analysis; financial analytics; risk assessment; investment strategies

Введение

Прогнозирование финансовых тенденций и будущих изменений на рынке -- это сложная и многогранная задача, учитывающая экономические показатели, политические события, социальные тенденции и даже новости.

В последние годы искусственный интеллект (ИИ) стал мощным инструментом для анализа данных и принятия решений в различных областях, в т. ч. и финансовой сфере. Стремительный прогресс в области машинного обучения и алгоритмов обработки данных позволяет моделям выявлять сложные закономерности и прогнозировать тенденции с высокой точностью. В связи с этим, стоит задача по разработке программного обеспечения (ПО) на основе искусственного интеллекта, способного анализировать финансовые тренды и прогнозировать их изменения. Главной особенностью стало бы не только использование количественных данных, но и информации о важных новостях и событиях, которые влияют на финансовый рынок.

Цель исследования заключается в оценке эффективности ИИ при прогнозе и анализе финансовых трендов на основе новостных данных и определении его потенциального применения в прогнозировании краткосрочных и долгосрочных изменений на финансовом рынке.

Объектом является искусственный интеллект, предметом -- использования искусственного интеллекта для прогнозирования финансовых трендов.Основные задачи исследования:

1. Составление описания работы программы и ее функционала.

2. Анализ уже существующих и внедренных в России сервисов, со схожим функционалом.

3. Выявление потенциальных ограничений и вызовов, с которыми сталкиваются подобные программные обеспечения.

4. Анализ возможных путей применения и перспектив развития.

Новизна данного исследования заключается в исследовании нового инструмента при анализе финансовых трендов. В отличие от традиционных методов анализа, которые ограничены экспертным мнением и оценками, использование алгоритмов машинного обучения позволяет выявить скрытые факторы и взаимосвязи в данных, что, несомненно, улучшит качество прогнозов.

1. Методы и материалы

В ходе исследования были проанализированы существующие научные труды и публикации, посвященные развитию искусственного интеллекта в различных отраслях экономики, в том числе и в сфере финансов: Локтионова Ю.Н. [1], Сергутина Т.Э., Байрамуков Р.М., Клименко А.Н. [2], Гришина А.В. [3], Сну Б., Демьянова О.В., Хуан Х.Я. [4] и других. Авторы предлагают современные методы и приемы использования искусственного интеллекта для анализа и прогнозирования финансовых тенденций.

Также был проанализирован существующий рынок программных обеспечений, с целью поиска аналогичных программ и решений, разработанных другими компаниями и исследовательскими группами, что помогло оценить эффективность, функциональность и возможность внедрения приложения на современном рынке. К основным использованным методам при написании данной статьи можно отнести метод дескриптивной статистики и метод анализа данных.

2. Результаты и обсуждения

Исходя из анализа существующих научных трудов, можно утверждать, что современные методы и подходы к применению искусственного интеллекта, предложенные исследователями, демонстрируют потенциал для эффективного применения на практике. Кроме того, исследование рынка программного обеспечения показывает ограниченное количество существующих решений, основанных на искусственном интеллекте, причем эти решения зачастую специфичны и ориентированы на конкретные отрасли бизнеса. Отсутствие программного обеспечения, способного анализировать новостные данные, подчеркивает актуальность разработки подобного ПО. С учетом этого факта важно осветить в статье этап его разработки, с целью выявления специфических этапов и исследования каждого из них в деталях [5].

Первым этапом разработки программного обеспечения является обучение моделей на основе исторических данных. Для этого необходимо использовать данные о финансовых индексах, акциях и валютах, а также информацию о крупных событиях и новостях в прошлом. Модель будет анализировать эти данные и определять взаимосвязь между новостными событиями и изменениями на финансовых рынках.

Вторым этапом является проверка эффективности модели на новых данных. Нужно включить в модель текущие новости и события, чтобы понять способность ИИ прогнозировать сначала изменения рынка в краткосрочной перспективе. Это позволит оценить точность модели и ее адаптируемость к новым условиям.

Третий этап заключается в использовании моделей для прогнозирования долгосрочных тенденций. На данном этапе в модель вводится информация о долгосрочных экономических тенденциях и новостях, чтобы можно было прогнозировать будущие изменения на рынке. Это может служить инструментом, помогающим инвесторам, руководителям компаний и аналитикам принимать обоснованные решения на основе прогнозов финансового рынка [6].

В ходе реализации этого процесса необходимо рассмотреть несколько шагов и рекомендаций, которые способствуют более эффективному и организованному внедрению. Во-первых, необходимо собрать информацию -- это включает в себя сбор исторических данных о финансовых инструментах, таких как цены акций, объемы торгов и другие соответствующие финансовые показатели компании. Затем необходимо приступить к подготовке данных. Важно очистить и стандартизировать данные и обработать пропущенные значения и внешние эффекты. Оператор контроля преобразует данные в формат, подходящий для дальнейшего обучения нейронной сети.

Далее необходимо выбрать архитектуру нейронной сети и определить тип сети, используемой для этой задачи -- повторяющиеся, скрученные или глубокие нейронные сети.

Следующий шаг после выбора архитектуры -- это обучение модели. Данный этап включает в себя разбиение данных на обучающие и тестовые выборки. Суть обучающих выборок заключается в том, что мы вносим в программу определенные новостные события и финансовые данные, которые между собой взаимосвязаны. Например, новость об изменении ключевой ставки Центральным Банком Российской Федерации и финансовые данные, которые касаются уровня инфляции, стоимости фондирования банков и прочее. То есть взаимосвязь должна быть заранее определена. Это процедура необходима для обучения ИИ, потому что после этого программа будет понимать, что если новость посвящена ключевой ставке, то такие показатели как инфляция, процентные ставки по банковским кредитам тоже будут изменяться. В процессе тестирования в программу вносятся данные, взаимосвязь которых заранее не определена, но ее можно будет проследить в будущем. Это более длительный процесс, но он также необходим при подготовке ИИ [7].

Далее необходимо оценить и скорректировать модель, что включает в себя оценку производительности модели на основе тестовых данных с использованием различных показателей, таких как точность и средняя абсолютная погрешность [8]. После всех этих процедур можно уже приступать к прогнозированию тенденций.

Наконец, необходимо регулярно отслеживать и обновлять модель, чтобы она отражала реальные изменения на финансовых рынках, и управлять рисками не только с учетом прогнозов модели, но и других источников информации [9]. Например, ориентироваться на оценку различных экспертов в финансовой сфере и сравнивать результаты их анализа с выводами программного обеспечения [10].

В настоящее время в России отсутствуют аналогичные сервисы, сопоставимые с упомянутыми ранее. В связи с этим для сравнительного анализа можно привести пример сервиса мониторинга СМИ. В 2024 году наиболее авторитетными в данной сфере являются следующие три сервиса:

1. Медиалогия. Российский мониторинговый сервис, который работает в России с 2003 года. За более чем 20 лет работы платформа научилась отслеживать упоминания не только в онлайн-СМИ, но и в социальных сетях.

2. Brand Analytics. Согласно рейтинговой платформе, это идеальная система для мониторинга цитирований как в социальных сетях, так и в средствах массовой информации (включая закрытые каналы новостных организаций). Каждый месяц Brand Analytics анализирует более 30 миллиардов сообщений в социальных сетях в блогах, форумах, на рынках и обзорных сайтах. При мониторинге СМИ система помогает отслеживать все информационное поле: онлайн-СМИ, отраслевые порталы, агрегаторы, газеты, журналы, записи трансляций, телевидение и т. д. Кроме того, платформа предоставляет отчеты с подробным анализом того, как СМИ распространяются в социальных сетях и как реагирует целевая аудитория.

3. СКАН Интерфакс. Этот сервис позиционирует себя как инструмент управления репутацией бренда. Платформа в основном анализирует электронные СМИ. Анализ социальных сетей медиа намного слабее, чем у «Медиологии», но у сервиса есть много других преимуществ. СКАН в медиа-анализе имеет серьезное преимущество -- доступ к платным закрытым публикациям, которые недоступны в большинстве систем. СКАН загружает соответствующие отчеты и аналитические заключения по отдельности из всех новостных источников, включая частоту упоминаний, видимость бизнеса в информационном поле, соотношение негативных и положительных упоминаний и т. д.

Таким образом, можно сделать вывод, что в России имеются сервисы анализа новостей, которые успешно функционируют на рынке, что предполагает возможность успешной реализации аналогичной программы с целью прогнозирования.

При разработке базы данных и, в целом, для дальнейшего успешного функционирования данной модели (программы) нужно выявить главные источники информации для российского рынка:

искусственный интеллект прогнозирование финансовый

Таблица 1 Рейтинг СМИ в России

Источник Инфохаб «Selection». Рейтинг самых популярных и посещаемых новостных ресурсов и журналов в Рунете. https://infoselection.ru/infokatalog/novosti-smi/smi/item/249-20-samykh-poseshchaemykh-novostnykh-resursov-runeta (дата обращения: 10.05.2024).

Таблица 2 Проблемы внедрения и пути их решения

Составлено автором

Указанные новостные ресурсы можно использовать для формирования базы данных программы для дальнейшего анализа.

Программное обеспечение для анализа финансовых тенденций может столкнуться с рядом потенциальных ограничений и проблем, которые необходимо решить при его использовании и разработке.

Учитывая выявленные ограничения и проблемы, разработчики программного обеспечения и пользователи должны быть способны адаптировать свои модели к изменяющимся рыночным условиям, тщательно анализировать результаты и принимать решения, основанные не только на допущениях модели, но и на многочисленных источниках информации.

Выводы

Существует несколько вопросов, которые следует учитывать при анализе возможных методов и перспектив разработки программного обеспечения для анализа финансовых тенденций. Во-первых, такое программное обеспечение может помогать инвесторам и трейдерам принимать обоснованные решения на основе анализа информации о финансовых рынках. Это включает разработку автоматизированных торговых систем, разработку инвестиционных стратегий и оценку рисков. Во-вторых, такое программное обеспечение полезно финансовым аналитикам и финансовым исследователям для проведения более глубокого анализа рынка и выявления скрытых тенденций и взаимосвязей. Это позволит осуществить разработку новых методов анализа данных и прогнозирования, а также повышение качества решений, принимаемых в финансовом секторе.

В перспективе развития такого программного обеспечения можно ожидать улучшение его точности и эффективности за счет использования новых методов машинного обучения и разработки более сложных моделей анализа данных, с возможностью интеграции с другими технологиями (например: блокчейн или интернет вещей) для получения дополнительной информации о финансовых рынках и улучшения прогностических возможностей.

Помимо этого, любое новое программное решение развивает общую сферу IT-технологий. Предложенная нами программа разрабатывается для применения в финансовой сфере, но может служить катализатором развития подобных программных продуктов в других отраслях народного хозяйства. Единственное изменение -- это база данных, которая должна относиться к определенной отрасли.

В целом, программное обеспечение для анализа финансовых трендов имеет значительный потенциал для улучшения принятия решений в финансовой сфере и развития новых методов анализа данных и моделей прогнозирования. Однако для его успешного применения необходимо учитывать как технические, так и организационные аспекты, а также следить за развитием технологий и изменениями на финансовых рынках.

Литература

1. Локтионова, Ю.Н. Цифровая экономика и искусственный интеллект в финансах / Ю.Н. Локтионова, К.Г. Царитова, О.Н. Янина // Экономика и предпринимательство. -- 2021. -- № 12(137). -- С. 321-325. -- DOI 10.34925/EIP.2021.137.12.060. -- EDN ALCZKQ.

2. Сергутина, Т.Э. Внедрение технологий искусственного интеллекта в корпоративные финансы / Т.Э. Сергутина, Р.М. Байрамуков, А.Н. Клименко // Естественно-гуманитарные исследования. -- 2023. -- № 4(48). -- С. 449-451. -- EDN MIAMGK.

3. Гришина, А.В. Применение искусственного интеллекта в сферах экономики и финансов и перспективы развития / А.В. Гришина // Экономика и менеджмент инновационных технологий. -- 2019. -- № 12(99). -- С. 18. -- EDN GTQECA.

4. Сну, Б. Цифровые финансы и искусственный интеллект в построении современной цифровой среды / Б. Сну, О.В. Демьянова, Х.Я. Хуан // Дискуссия. -- 2023. -- № 4(119). -- С. 18-32. -- DOI 10.46320/2077-7639-2023-4-119-18-32. -- EDN MUVAXC.

5. Саламова, А.А. Роль искусственного интеллекта в финансах / А.А. Саламова, И.Е. Федоровская, И.И. Васильев // Финансовые рынки и банки. -- 2023. -- № 1. -- С. 63-68. -- EDN LHANCH.

6. Оздоева, Л.Р. Финансы будущего: как искусственный интеллект меняет финансовые технологии / Л.Р. Оздоева // Экономика и бизнес: теория и практика. -- 2019. -- № 12-2(58). -- С. 145-148. -- DOI 10.24411/2411-0450-2019-11498. -- EDN VPTZKR.

7. Искусственный интеллект в финансах: за или против человека / Р.А. Кокорев, О.Н. Лаврентьева, И.Б. Суркова [и др.] // Интеллектуальные системы. Теория и приложения. -- 2022. -- Т. 26, № 1. -- С. 417-421. -- EDN SRXFCR.

8. Tutueva, D.D. Implementation of artificial intelligence technologies in corporate finance: classification by spheres of activity / D.D. Tutueva, N.G. Viktorova, A.A. Sayakbaeva // n-Economy. -- 2022. -- Vol. 15, No. 6. -- P. 7-17. -- DOI 10.18721/JE.15601. -- EDN NRGPUJ.

9. Аверкин, А.Н. Объяснимый искусственный интеллект как часть искусственного интеллекта третьего поколения / А.Н. Аверкин // Речевые технологии. -- 2023. -- № 1. -- С. 4-10. -- EDN ONAIEY.

10. Михалев, О.Н. Автоматизация технологических процессов на основе нейронной сети / О.Н. Михалев, А.С. Янюшкин // Автоматизация. Современные технологии. -- 2022. -- Т. 76, № 4. -- С. 147-152. -- DOI 10.36652/0869-4931-2022-76-4-147-152. -- EDN DIEMHO.

Размещено на Allbest.ru