В данной работе исследуются методы генерации обучающих данных для повышения точности прогнозирования спроса на рынке нефти. Рассматриваются ограничения традиционных подходов и обосновывается применение генеративно-состязательных сетей, в частности модели TimeGAN (Time-series Generative Adversarial Network), для создания синтетических временных рядов. Результаты показывают, что TimeGAN позволяет генерировать реалистичные данные, приближенные к реальным, с сохранением волатильности и структурных особенностей рынка. Также выявлены ограничения модели, требующие дальнейшего исследования для повышения эффективности и точности прогнозирования спроса на нефть в условиях рыночной нестабильности.
Идентификаторы и классификаторы
- SCI
- Экономика
Для оценки сходства между сгенерированными синтетическими временными рядами и исходными данными используется метод стохастического вложения соседей с t-распределением – t-SNE. Авторы используют метод t-SNE в сочетании с расхождением Кульбака–Лейблера (KL). Метод t-SNE является методом уменьшения размерности, созданный для улучшения визуального восприятия многмерных рядов данных. Согласно «Обзору методов и систем генерации синтетических обучающих данных», этот метод позволяет наглядно оценить, насколько хорошо TimeGAN моделирует структуру и зависимость временных рядов, а также помогает проверить качество и реалистичность сгенерированных синтетических данных (Рабчевский, 2023).
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Kaukin A.S., Pavlov P.N., Kosarev V.S. Kratkosrochnoe prognozirovanie tsen na elektroenergiyu s ispol’zovaniem generativnykh neironnykh setei // Biznes-informatika. 2023. № 3 (17). S. 7-23.
2. Kopytin I.A. Transformatsiya rynka nefti v Evrope: tendentsii i perspektivy // Problemy prognozirovaniya. 2024. № 6. S. 217-226. https://doi.org/10.47711/0868-6351-207-217-226.
3. Rabchevskii A.N. Obzor metodov i sistem generatsii sinteticheskikh obuchayushchikh dannykh // Prikladnaya matematika i voprosy upravleniya. 2023. № 4. S. 6-45. https://doi.org/10.15593/2499-9873/2023.4.01.
4. Rozentsvaig A.K. Metody ekonometricheskogo modelirovaniya i analiza sotsial’no-ekonomicheskikh yavlenii. Naberezhnye Chelny, 2014. 121 s. https://doi.org/10.13140/RG.2.1.3998.5526.
5. Brajard J., Carrassi A., Bocquet M., Bertino L.. Combining data assimilation and machine learning to emulate a dynamical model from sparse and noisy observations: A case study with the Lorenz 96 model // Journal of Computational Science. 2020. Vol. 44. https://doi.org/101171.10.1016/j.jocs.2020.101171.
6. Farzana G.S., Prakash N. Machine Learning in Demand Forecasting // A Review. In Proceedings of the 2nd International Conference on IoT, Social, Mobile, Analytics and Cloud in Computational Vision and Bio-Engineering (ISMAC-CVB 2020). 2020. https://doi.org/10.2139/ssrn.3733548.
7. Juneja T., Bajaj S., Sethi N. Synthetic Time Series Data Generation Using Time GAN with Synthetic and Real-Time Data Analysis // Proceedings of the International Conference on Advances in Computing and Data Sciences. Springer. 2023. P. 567-576. https://doi.org/10.1007/978-981-99-0601-7_51.
8. Kanagarathinam K. Comprehensive Overview of Optimization Techniques in Machine Learning Training // Computational Science and Optimization Letters. 2024. Vol. 2. No. 1. P. 69-85. https://doi.org/10.59247/csol.v2i1.69.
9. Li J., Liu Y., Li Q. Generative Adversarial Network and Transfer Learning Based Fault Detection for Rotating Machinery with Imbalance Data Condition // Measurement Science and Technology. 2022. https://doi.org/33.10.1088/1361-6501/ac3945.
10. Liu Y., Liang Z., Li X. Enhancing Short-Term Power Load Forecasting for Industrial and Commercial Buildings: A Hybrid Approach Using TimeGAN, CNN, and LSTM // IEEE Open Journal of the Industrial Electronics Society. 2023. No. 4. P. 451-462. https://doi.org/10.1109/OJIES.2023.3319040.
11. Matta C., Bianchesi N.M., Oliveira M., Balestrassi P., Leal F. A comparative study of forecasting methods using real-life econometric series data // Production. 2021. Vol. 31. https://doi.org/10.1590/0103-6513.20210043.
12. Moroff N., Kurt E., Kamphues J. Machine Learning and Statistics: A Study for Assessing Innovative Demand Forecasting Models // Procedia Computer Science. 2021. No.180. P. 40-49. https://doi.org/10.1016/j.procs.2021.01.127.
13. Mushunje L., Allen D., Peiris S. Volatility and Irregularity Capturing in Stock Price Indices Using Time Series Generative Adversarial Networks (TimeGAN) // Computational Engineering, Finance, and Science. 2023. https://doi.org/10.48550/arXiv.2311.12987.
14. Reboredo J.C., Ugolini A. Quantile dependence of oil price movements and stock returns // Energy Economics. 2016. Vol. 54. P. 33-49. https://doi.org/10.1016/j.eneco.2015.11.015.
15. Sacco M.A., Ruiz J.J., Pulido M., Tandeo P. Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification // Quarterly Journal of the Royal Meteorological Society. 2021. Vol. 147. No. 34. P. 1234-1251. https://doi.org/10.48550/arXiv.2111.14844.
16. Yue T, Liu Y. Multi-Scale Price Forecasting Based on Data Augmentation // Applied Sciences. 2024. Vol. 14. No. 19. P. 8737. https://doi.org/10.3390/app14198737.
Выпуск
Другие статьи выпуска
Энергетическая отрасль является ключевым элементом национального экономического развития. В условиях возрастающего общественного внимания к экологическим рискам, сопровождающим производственную и операционную деятельность энергетических компаний, повышение прозрачности экологической отчетности выступает важнейшим инструментом содействия «зеленой» трансформации сектора. Настоящее исследование основано на данных 22 китайских энергетических компаний, котирующихся на фондовом рынке, за период с 2017 по 2023 г. В связи с низким уровнем добровольного раскрытия экологической информации, характерным для отрасли, в работе проводится анализ ключевых факторов, влияющих на качество раскрытия. Результаты эмпирического анализа свидетельствуют о том, что размер компании и степень реализации государственной экологической политики оказывают статистически значимое положительное влияние на уровень раскрытия экологической информации, тогда как управленческие расходы оказывают значимое отрицательное влияние. В то же время переменные, отражающие рентабельность, потенциал развития и уровень внешнего аудиторского контроля, не продемонстрировали статистически значимой зависимости. Сделанные выводы углубляют понимание факторов, способствующих или препятствующих экологической транспарентности в энергетическом секторе, и могут быть использованы при совершенствовании механизмов государственного регулирования, стимулировании корпоративной экологической ответственности и усилении общественного надзора. Кроме того, результаты исследования представляют практическую ценность для поддержки устойчивого развития энергетических предприятий.
Возрастающее внимание к промышленной политике в последние годы отражает сдвиг в восприятии роли государства в экономике в условиях технологической трансформации и геоэкономической конкуренции. Эта статья предлагает взгляд на причины и последствия этого разворота. Исходная гипотеза состоит в том, что интерес к промышленной политике активизируется в периоды технологической неопределенности, когда исчерпан потенциал прежних источников роста, а новые еще не оформились. Особое внимание уделяется понятию «инновационная пауза» и роли государства в запуске новых волн технологического развития. На примерах США, ЕС, Китая, Японии и Южной Кореи показано, что современная промышленная политика приобретает «зеленый» оттенок, все чаще совмещая задачи индустриального развития с климатической повесткой. В статье используются историкосравнительный подход, библиометрический анализ и кейс-стратегии. Выявлено, что активизация промышленной политики связана с фазой инновационной паузы и необходимостью институциональной поддержки новых отраслей. Делается вывод, что современная промышленная политика больше не является исключением – она заново осмысляется как легитимная форма вмешательства государства в экономику.
Уникальные ценности и поведенческие паттерны поколения Z требуют адаптации HR-стратегий и управленческих инструментов компаний, включая развитие бренда работодателя. Цель статьи – исследовать роль бренда работодателя в процессе трудоустройства представителями этого поколения на примере студентов экономического факультета МГУ имени М. В. Ломоносова. В статье представлено эмпирическое исследование, основанное на опросе, данные которого обработаны статистическими методами с использованием GRETL, Python и Excel. На основе результатов предложена сегментация студенческой аудитории, определены ключевые факторы, влияющие на выбор работодателя, и наиболее эффективные каналы коммуникации для каждой группы. Результаты исследования предоставляют компаниям практическую основу для разработки персонализированных стратегий привлечения, удержания и адаптации кадровой политики к потребностям молодых специалистов поколения Z, а также способствуют пониманию влияния поколенческих трендов на рынок труда и указывают направления для дальнейших исследований.
В настоящей статье представлен обзор исследований, связанных с проблемой морального риска на рынках доверительных благ (медицинские услуги, услуги автосервисов и др.). В рамках заданной темы описаны три общие разновидности морального риска, присущие любому рынку доверительных благ: завышение цены, недостаточное и избыточное воздействие. На основе эмпирических исследований рассмотрены такие детерминанты морального риска, как уровень асимметрии информации, моральный риск второй степени, социально-экономический статус потребителя, уровень конкуренции, социальные предпочтения, материальные и репутационные стимулы продавца-эксперта. Разобраны меры, направленные на смягчение проблемы морального риска в контексте рынков доверительных благ – разделение диагностики и воздействия, а также рейтинговые интернет-платформы. Результаты исследования могут найти свое практическое применение в качестве учебных материалов в курсе «Институциональная экономическая теория» для бакалавриата.
Корпоративная политика, направленная на обеспечение разнообразия и инклюзивности (D&I), стала одним из ключевых трендов в бизнесе и управлении в ХХI в. Однако в последнее время многие компании сворачивают свои программы. Цель настоящей статьи – обозначить причины и возможные направления дальнейшего применения данной практики в современных реалиях. В работе раскрыта сущность основных понятий и основные виды разнообразия. Проведен обзор бизнес-практик международных и отечественных компаний и установлено, что их корпоративные инициативы сфокусированы на поверхностном уровне многообразия и во многом зависят от конкретных условий внешней среды, а именно историко-культурного, правового и политического контекстов. Делается вывод, что чрезмерная ориентация организаций на «видимый» уровень разнообразия, использование квотирования, а также политическая повестка не позволяют выполнить завышенные ожидания стейкхолдеров. Также отмечается, что данная практика претерпевает изменения – компании сохраняют реализацию своих программ, однако происходят частичный отказ и замещение терминологии. В заключении отмечается, что требуется индивидуальный и целостный подход к формированию концепции политики разнообразия и инклюзивности, комбинирующий глубинное и поверхностное многообразие.
Грамотное моделирование потерь по розничному кредитному портфелю в случае дефолта (Loss given default – LGD) является важной задачей коммерческих банков. Актуальность исследования обусловлена активным расширением кредитования физических лиц за последние 5 лет. Увеличение объема розничного портфеля с 17,6 до 36,9 трлн р. с 1 января 2020 г. по 1 января 2025 г. способствовало росту кредитного риска российских банков. Дополнительные сложности возникают в связи с высоким уровнем ключевой ставки Банка России и ужесточением макропруденциальной политики в сегменте необеспеченных кредитов физических лиц. В работе описаны основные подходы к моделированию LGD. На основе данных по необеспеченным потребительским кредитам одного из российских банков за период с декабря 2020 г. по март 2025 г., которые содержат более 700 тыс. наблюдений, предложена двухэтапная методика оценки LGD. Подход включает в себя винтажный анализ и применение моделей машинного обучения градиентного бустинга (XGBoost и LightGBM) для оценки и прогнозирования потерь при дефолте с учетом новых макроэкономических факторов: курса доллара к рублю на рынке Форекс и среднемесячной заработной платы работников в РФ.
В условиях трансформации российского финансового рынка на фоне роста неопределенности на глобальных финансовых рынках особое значение приобретает точность оценки справедливой стоимости и риска финансовых инструментов. Необходимым условием релевантности оценок является использование корректных предпосылок о характеристиках фактического распределения доходности. Целью исследования является выявление особенностей фактического распределения доходности российских акций на современном этапе на основе статистического анализа параметров распределения доходности акций на различных финансовых рынках и эконометрического анализа детерминант уровня соответствия эмпирического распределения нормальному закону. С помощью статистических тестов продемонстрирована некорректность предпосылки о нормальности эмпирического распределения для доходности российских и зарубежных акций. Модель со случайными эффектами, построенная на панельных данных, свидетельствует о негативном влиянии роста инфляции и военных конфликтов на близость фактического распределения доходности акций к нормальному. Уровень нормальности исторического распределения доходности акций на рынке РФ в 2014–2024 гг. при прочих равных условиях (в том числе в условиях отсутствия военных конфликтов) соответствовал таковому для других развивающихся рынков и был выше, чем на рынках развитых стран.
Исследование посвящено анализу моделей формирования спреда доходности российских корпоративных облигаций нефинансового сектора, что имеет важное значение для понимания факторов, определяющих разницу в доходности финансовых инструментов. Цель работы заключается в построении моделей формирования спреда методами Lasso, Ridge и ElasticNet и сделать вывод по полученным результатам о применимости данных методов, которые ранее не использовались в отечественной литературе для решения подобных задач. Методология исследования основана на сравнительном анализе двух временных выборок: данных за период с 01.01.2014 г. по 23.02.2022 г. и за 24.02.2022 г. по 31.12.2023 г., что позволяет оценить устойчивость моделей в разных рыночных условиях. Результаты показали, что, несмотря на частичную способность методов отбирать экономически значимые факторы, их применение для российского рынка корпоративных облигаций нефинансового сектора ограничено. Это связано с наличием нелогичных зависимостей и сложностями в интерпретации коэффициентов. В дальнейших исследованиях целесообразно рассмотреть альтернативные подходы, поскольку разработка точной модели позволит участникам рынка эффективнее управлять рисками и оптимизировать доходность в соответствии с индивидуальным рискаппетитом.
Распространенная трактовка социализма в СССР как «неудавшегося эксперимента» требует научного анализа. Интеграция формационного, цивилизационного и институционального подходов позволяет выделить ключевые факторы воспроизводства цивилизаций: культуру, ареал, демографию. Образцовый пример – англосаксонская цивилизация. Независимо от идеологических установок советская власть действовала в рамках объективных законов исторического развития: был преодолен общинный способ производства, затем создан и преодолен квазифеодальный колхозный способ производства, проведена индустриализация, создана система централизованного социалистического воспроизводства. В 1980-х гг. в России представляла собой развитую локальную цивилизацию, которая была готова к внедрению капиталистического способа производства. В Китае это внедрение происходило в рамках «двухрельсовой системы» смешанной экономики. Россия пошла путем тотальной приватизации и уничтожения институтов централизованного управления. В результате был нанесен удар по основам цивилизации – культуре, обороноспособности и демографии. Восстановление российской цивилизации началось лишь в 2000-х гг.
В последние десятилетия Китайская Народная Республика в рамках расширения торговой экспансии последовательно наращивает свое присутствие в Африке. Одним из ее наиболее важных партнеров является Федеративная Республика Нигерия, самая крупная по численности населения на континенте страна, обладающая большими запасами углеводородов и потенциалом развития внутреннего рынка. Так как значение африканского континента со временем значительно возрастает, целесообразно отслеживать динамику стремительно меняющегося расклада сил в регионе, в том числе изменение роли влиятельного Китая. Статья также может быть полезна в качестве дополнительного материала для студентов в рамках курса по экономике Восточной Азии. В работе приведен анализ внешней экономической стратегии Китая в Нигерии через призму китайской концепции «Один пояс, один путь», в частности той части этой инициативы, которая относится к «Морскому шелковому пути XXI века». Целью исследования является выявление особенностей экономического сотрудничества между КНР и Нигерией, а также направлений совершенствования этого взаимодействия. Кроме этого, ставится задача определить роль данного сотрудничества в общей внешнеэкономической стратегии Китая и инструменты экономической политики, проводимой КНР в Нигерии.
Данная статья посвящена комплексному обзору основных методологических подходов, применяемых в исследованиях экономического дискурса, их плюсам и минусам. В работе аргументируется, что понимание экономического дискурса имеет критическое значение для анализа влияния экономических идей на формирование государственной политики и общественное мнение. Подчеркивается, что наиболее эффективным способом изучения экономического дискурса является интеграция различных методологических подходов – науковедческого, социологической и количественного, что позволяет нивелировать их недостатки и получить более полное и объективное понимание сложной и многогранной природы экономического дискурса и его влияния на экономическую реальность.
Издательство
- Издательство
- МГУ им. М.В.Ломоносова
- Регион
- Россия, Москва
- Почтовый адрес
- оссийская Федерация, 119991, Москва, Ленинские горы, д. 1
- Юр. адрес
- оссийская Федерация, 119991, Москва, Ленинские горы, д. 1
- ФИО
- Садовничий Виктор Антонович (РЕКТОР)
- E-mail адрес
- info@rector.msu.ru
- Контактный телефон
- +7 (495) 9391000
- Сайт
- https://msu.ru/