Построение системы опережающих индикаторов финансовых кризисов с использованием методов машинного обучения

Выпускная квалификационная работа посвящена изучению и анализу методов машинного обучения для прогнозирования экономических кризисов. В связи с возрастающей глобализации и взаимосвязанности мировой экономики, своевременное и точное предсказание экономических кризисов становится ключевой задачей для снижения рисков и поддержания экономической устойчивости. В исследовании применяются разнообразные статистические и компьютерные технологии, ориентированные на улучшение способности предсказывать неблагоприятные экономические события. В работе анализируются и сравниваются различные алгоритмы машинного обучения, включая логистическую регрессию, методы ближайших соседей, случайный лес, а также продвинутые бустинг-методы, такие как XGBOOST, LIGHTGBM и CATBOOST. Основной упор делается на оценке и сравнении эффективности алгоритмов в прогнозировании экономических кризисов по нескольким показателям, в том числе точности предсказаний, полноте, f1-мере и площади под кривой рабочих характеристик (ROC AUC). Результаты показывают, что CATBOOST и LIGHTGBM, демонстрируют высокую производительность, предсказывая кризисное состояние экономики с более высокой точностью по сравнению с традиционными статистическими методами. Работа также включает анализ значимости экономических переменных и факторов, используя SHAP-анализ, что позволяет выявить наиболее значимые индикаторы, способствующие возникновению кризисов. Это направление исследования обеспечивает глубокое понимание факторов риска и предоставляет основу для разработки эффективных стратегий экономической политики в области регулирования и мониторинга финансовой стабильности. Выводы исследования предоставляют ценные инсайты в области применения искусственного интеллекта и машинного обучения для анализа экономических данных, способствуя развитию научного сообщества.