Помулев А.А.кандидат экономических наук, доцент, доцент департамента корпоративных финансов и корпоративного управления, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация sasha-pomulev@yandex.ru https://orcid.org/0000-0002-3189-1534 SPIN-код: 2828-4575
Предмет. Измерение эмоций лиц, принимающих финансовые решения, на основе технологий машинного обучения в финансах. Цели. Разработать методику измерения эмоций в финансовой сфере, алгоритмы и программные средства на основе искусственного интеллекта. Методология. Использованы методы разметки текстовых данных, индексный метод, методы машинного обучения, компьютерные технологии обработки естественного языка, методики оценки эмоций с рейтинговой шкалой, методы индукции и дедукции, статистические методы обработки результатов наблюдений. Результаты. Раскрыто содержание методов всеобъемлющего измерения эмоций лиц, принимающих финансовые решения. Созданы программные средства для реализации технологий машинного обучения при построении индекса измерения эмоций. Область применения. Результат может применяться в работе фундаментального аналитика финансовых рынков. Использование новых показателей дополняет и расширяет классический аналитический инструментарий, повышает качество прогнозов на рынках. Выводы. Психофинансовый индекс, основанный на расчете при помощи технологий машинного обучения, предоставляет аналитическое средство, приближающее результат прогноза к реальным условиям, когда возникающие сочетания традиционных и психологических показателей на рынках дают новую интерпретацию происходящих событий.
Горбатиков А.А., Микуленков А.С., Васильев С.А. Применение новых технологий на основе искусственного интеллекта для безопасности данных в киберпространстве и в финансовом секторе // Ученые записки Международного банковского института. 2021. № 4. С. 24—38. URL: Link(%D0%BA%D1%80%D0%B0%D1%82%D0%BA%D0%B0%D1%8F%20%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D1%8F).pdf
Ключников О.И. Big Data в прогнозной аналитике банков // Ученые записки Международного банковского института. 2021. № 1. С. 43—60. URL: Link
Аристов А.М., Аристов В.М. Роль цифровых технологий в повышении эффективности управления бизнес-процессами предприятия // Ученые записки Международного банковского института. 2023. № 2. С. 7—18. URL: Link
Abe M., Nakayama H. Deep Learning for Forecasting Stock Returns in the Cross-Section. In: Phung D., Tseng V., Webb G. et al. (Eds) Advances in Knowledge Discovery and Data Mining. Berlin, Springer Cham, pp. 273–284. URL: Link
Chen M., Lee J., Mussalli G. Teaching Machines to Understand Chinese Investment Slang. Journal of Financial Data Science, 2020, vol. 2, no. 1, pp. 116–125.
Leippold M., Wang Q., Zhou W. Machine Learning in the Chinese Stock Market. Journal of Financial Economics, 2022, vol. 145, iss. 2, part A, pp. 64–82. URL: Link
Помулев А.А. Цифровые технологии как инструмент противодействия теневой экономической деятельности в лесной промышленности // Теневая экономика. 2023. Т. 7. № 2. С. 125—144. URL: Link
Daul S., Jaisson T., Nagy A. Performance Attribution of Machine Learning Methods for Stock Returns Prediction. Journal of Finance and Data Science, 2022, vol. 8, pp. 86–104. URL: Link
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York, Springer, 2009, 745 p.
Помулев А.А. Искусственный интеллект как объект стоимостной оценки // Имущественные отношения в Российской Федерации. 2022. № 6. С. 42—56. URL: Link
Gu S., Kelly B., Xiu D. Empirical Asset Pricing via Machine Learning. The Review of Financial Studies, 2020, vol. 33, no. 5, pp. 2223–2273. URL: Link
Schwendner P., Papenbrock J., Jaeger M., Krügel S. Adaptive Seriational Risk Parity and Other Extensions for Heuristic Portfolio Construction Using Machine Learning and Graph Theory. Journal of Financial Data Science, 2021, vol. 3, iss. 4, pp. 65–83. URL: Link
Leung E., Lohre H., Mischlich D. et al. The Promises and Pitfalls of Machine Learning for Predicting Stock Returns. Journal of Financial Data Science, 2021, vol. 3, iss. 2, pp. 21–50. URL: Link
Li Y., Simon Z., Turkington D. Investable and Interpretable Machine Learning for Equities. Journal of Financial Data Science, 2022, vol. 4, no. 1, pp. 54–74. URL: Link
Li Y., Turkington D., Yazdani A. Beyond the Black Box: An Intuitive Approach to Investment Prediction with Machine Learning. Journal of Financial Data Science, 2020, vol. 2, no. 1, pp. 61–75. URL: Link
Lipton Z.C. The Mythos of Model Interpretability. Queue, 2016, vol. 16, no. 3. URL: Link
Papenbrock J., Schwendner P., Jaeger M., Krügel S. Matrix Evolutions: Synthetic Correlations and Explainable Machine Learning for Constructing Robust Investment Portfolios. Journal of Financial Data Science, 2021, vol. 3, iss. 2, pp. 51–69. URL: Link