Публикации автора

Цель исследования - сравнить методы классификации, применяемые в машинном обучении, для предсказания тренда стоимостей акций российских компаний на Московской бирже в предстоящем временном интервале, применить полученные результаты для выбора стратегии поведения участников финансового рынка и использовать результаты исследования для создания в последующем «торгового помощника» методами машинного обучения, реализованными на языке программирования Python в интегрированной среде разработки Google Colaboratory в режиме Jupyter Notebook. В качестве объекта исследования использованы исторические данные Московской биржи о стоимостях финансовых активов крупных российских компаний. Для предсказания изменений стоимостей акций выбраны такие модели машинного обучения, как градиентный бустинг Categorical Boosting (Catboost), модель глубокого обучения Gated Recurrent Units (GRU), алгоритм «случайный лес» Random Forest Classifier, метод опорных векторов, адаптивный бустинг Adaptive Boosting (AdaBoost ADB) и бэггинг-классификатор (Bagging Classifier). Тестовые расчеты проведены и проанализированы на примере акций «Газпрома» и «Сбербанка» за 2013-2025 гг. Показана большая эффективность выбранных методов машинного обучения.

В результате разработана модель машинного обучения для решения поставленной цели и сформулированы рекомендации по прогнозированию стоимостей финансовых активов на Московской бирже на последующем временном интервале.

Целью исследования является оценка потребительских свойств линейно протяжённых участков дороги с учётом фактического коэффициента её прочности по международному показателю методами машинного обучения. Предметом исследования является интенсивность транспорта на линейно протяжённом участке автомобильной дороги и состояние его дорожного покрытия. Объектом исследования является участок дороги М-1 «Беларусь», 86-й километр, за временной промежуток с 2014 по 2024 год. Для достижения цели выбраны алгоритмы машинного обучения (линейная регрессия, градиентный бустинг, случайный лес и нейронные сети на основе длительной кратковременной памяти своего рода динамического языка программирования Python в средах разработки от Microsoft (Visual Studio Code) и Google (Colaboratory) в режиме Jupyter Notebook. Построена модель машинного обучения, посредством которой произведена оценка потребительских свойств участка дороги М-1 «Беларусь», 86-й километр, и его потребительских свойств с учётом фактического коэффициента прочности по международному показателю, а также даны рекомендации по планированию мероприятий по поддержанию и ремонту дорожного покрытия этого участка дороги. Построение подобных моделей машинного обучения и их реализация для линейно протяженных участков дорог позволит прогнозировать интенсивность транспортного потока и, как следствие, решать основные задачи содержания дороги - оптимизировать время и средства при планировании и реализации мероприятий на этапе эксплуатации объектов транспортной инфраструктуры, учитывать возможные риски потери качества состояния дороги при её обновлении и проектировании новых элементов.