В статье рассматриваются основные факторы экономических кризисов. Факторы проанализированы с помощью моделей машинного обучения. В исследовании применяются два алгоритма машинного обучения, деревья решений и градиентный бустинг. Деревья решений создаются путем разделения данных на подмножества на основе значения входных функций. Бустинг, ансамблевый метод, обучается путём объединения множества небольших моделей для создания финальной, прогнозирующей модели. Проведён детальный анализ научных работ на тему использования машинного обучения для анализа кризисных явлений. Распространённые факторы моделирования дополнены новыми, итоговые факторы включают в себя широкий список макроэкономических показателей, биржевых данных и социально-политических факторов. Данные были проанализированы с помощью статистического анализа временных рядов, далее данные были стандартизированы для применения в моделях машинного обучения. Параметры моделей подобраны на данных, с помощью метода кросс-валидации. Наиболее эффективные модели были использованы для анализа значимости факторов кризисных явлений. Результаты показывают потенциал использования моделей машинного обучения в анализе кризисов, предлагает новые инструменты раннего обнаружения кризисов и использования результатов для стратегического планирования органами государственной власти. Будущие направления исследования включают в себя улучшения статистической интерпретации результатов машинного обучения, применение более сложных моделей и создание систем анализа в реальном времени.
Предпросмотр статьи
