Предиктивная аналитика и финансовое прогнозирование с помощью искусственного интеллекта

В данной работе рассматривается использование передовых методов машинного обучения для финансового прогнозирования, с акцентом на прогнозирование цен на акции. Традиционные эконометрические модели часто сталкиваются с трудностями при учете нелинейной динамики финансовых рынков. В исследовании используются линейная регрессия, случайный лес, градиентное повышение и прямые нейронные сети (FFNN) для повышения точности прогнозов. Данные охватывают финансовые показатели 207 компаний из 12 отраслей за 2022 и 2023 годы. Ключевые переменные включают оценку прибыли на акцию, долгосрочную задолженность, EBITDA, процентные расходы, рентабельность собственного капитала, коэффициент быстрой ликвидности, коэффициент цена-прибыль и волатильность цен на акции. Модели оцениваются с использованием среднеквадратичной ошибки (MSE) и средней абсолютной процентной ошибки (MAPE). Результаты показывают, что случайный лес и градиентное повышение превосходят линейную регрессию. FFNN, особенно с использованием слоев Dropout, достигают наименьшего значения MAPE. Исследование подчеркивает эффективность машинного обучения в финансовом прогнозировании, предоставляя ценные рекомендации по выбору моделей в зависимости от характеристик данных и целей прогнозирования.