8 (495) 987 43 74 доб. 3304
Мы в соцсетях -              
Рус   |   Eng

Авторы

Алексахин А. Н.

Ученая степень
канд. пед. наук, доцент, заведующий кафедрой информационного менеджмента и информационно-коммуникационных технологий им. профессора В. В. Дика, Университет «Синергия
E-mail
aleksakhinan@yandex.ru
Местоположение
г. Москва, Россия
Статьи автора

Синергия эконометрического и нейросетевого моделирования для определения факторов обеспеченности регионов РФ транспортной инфраструктурой

В статье дано обоснование актуальности применения нейросетевых методов для определения значимых предикторов транспортно-логистической инфраструктуры регионов РФ. Проанализировано состояние логистической отрасли Российской Федерации в сравнении с зарубежными странами. Сделан вывод о необходимости повышения точности оценивания показателей транспортно- логистической инфраструктуры регионов с целью выявления их влияния на развитие логистики. Проблема традиционной методологии построения модели транспортно- логистической инфраструктуры регионов на основе применения математического и эконометрического анализа заключается в неспособности последних отыскать неочевидные зависимости в данных и точно их описать. Определена целесообразность последовательного сопряжения эконометрического и нейросетевого инструментария исследования. Апробирована двухшаговая процедура выявления факторов, влияющих на логистическое развитие РФ. В результате удалось отобрать наиболее значимые социально-экономические и инфраструктурные факторы обеспеченности инфраструктурой логистики на основе эконометрического подхода. На втором шаге исследования разработана нейросетевая модель оставшихся факторов на основе разработки деревьев классификации и нейронной сети, выступающая неким вычислительным фильтром, что позволило решить проблему атрибуции макроэкономических данных и достичь высокого уровня значимости прогнозов. Предложенный подход последовательного сопряжения эконометрических методов и нейросетевого моделирования обладает универсальностью и практической значимостью, следовательно, он применим для исследования широкого круга макроэкономических процессов. Читать дальше...

Построение и анализ модели машинного обучения для краткосрочного прогнозирования рынка биткоина на основе рекуррентных нейронных сетей

В настоящей статье построение и анализ моделей машинного обучения были произведены для краткосрочного прогнозирования на криптовалютном рынке на примере биткоина – одной из самых популярных криптовалют в мире. Исходные данные для проведения исследования позволяют сделать вывод о том, что за длительный период своего существования биткоин показывал высокую степень волатильности, особенно ярко проявляющуюся в сравнении с традиционными типами активов. В статье обосновано, что криптовалютный рынок подвержен влиянию множества факторов. Никто точно не может сказать, из чего складывается стоимость той или иной криптовалюты, так как она зависит от целого спектра причин, учесть которые полностью не представляется возможным. Для решения данной проблемы нами рассмотрен принцип работы рекуррентной нейронной сети. Описано, почему сети с памятью справляются с предсказаниями на временном ряде лучше, чем обычная авторегрессионная модель и стандартные сети прямого распространения. Определен алгоритм обработки исходных данных и методы их преобразования. Была произведена фильтрация резких скачков и осцилляции с целью уменьшения шума исходного ряда. Построен и обучен алгоритм семейства рекуррентных нейронных сетей с целью проверки гипотезы об их лучшей адаптивности за счет краткосрочной и долгосрочной памяти. Модель оценена на тестовых данных, представляющих собой курс биткоина за 2021–2022 годы, так как этот период характерен высокой волатильностью. Сделан вывод о целесообразности применения схожего типа моделей для краткосрочного прогнозирования курса криптовалют. Читать дальше...