Recognition of 3’ UTR stem-loop in LINE transposons across the tree of life by machine learning methods

Данная работа посвящена анализу финансовых кризисов. Рассматриваются различные классификации кризисов, методы их прогнозирования, подходы к составлению системы опережающих индикаторов. Для лучшего понимания возможностей прогнозирования финансовых кризисов проводится собственное эмпирическое исследование по развивающимся странам с использованием традиционного эконометрического подхода для предсказания валютных кризисов и метода случайного леса. Выявлены наиболее значимые переменные, изменение которых может сигнализировать о ...

Добавлено: 12 февраля 2026 г.

Прогнозирование цен на золото с использованием алгоритмов нейросетей

Солдатова А. О., Финансы, деньги, инвестиции 2023 № 4 С. 9–15

Стоимость золота - важнейший экономический индикатор. Ожидания роста инфляции и повышения ключевых ставок со стороны Центральных банков формируют интерес инвесторов к золоту во всем мире. С учетом все большего числа факторов, оказывающих влияние на динамику курса золота в мире, прогнозирование цен на золото требует новых методов и современных технологических решений. В статье представлен обзор методов ...

Добавлено: 8 июля 2025 г.

Predicting Systemic Risk in the Russian Financial Sector with Boosting Techniques

Щепелева М. А., Procedia Computer Science 2024 Vol. 242 P. 51–56

Добавлено: 17 июня 2025 г.

Forecasting Stadium Attendance Using Machine Learning Models: A Case of the National Football League

Пан Ю., Ван Ф., Studia Sportiva 2024 Vol. 18 No. 2 P. 147–164

Добавлено: 16 мая 2025 г.

Default Prediction for Auto Repair Services Firms in Russia Using Non-financial Data

Афанасьев В. В., Финансы и бизнес 2024 Vol. 20 No. 3 P. 71–88

Традиционный подход к прогнозированию дефолтов предполагает использование финансовых коэффициентов в качестве объясняющих переменных в моделях классификации. В настоящем исследовании приводятся результаты, свидетельствующие о повышении качества прогнозирования дефолтов в случае включения в модели нефинансовых данных. В исследовании используется выборка из более чем 200 фирм, оказавшихся неплатежеспособными в период 2018–2023 гг., и 10 контрольных выборок (всего более ...

Добавлено: 2 октября 2024 г.

Random forests with parametric entropy-based information gains for classification and regression problems

Игнатенко В. В., Сурков А. Ю., Sergei Koltcov, PeerJ Computer Science 2024 Vol. 10 Article e1775

Добавлено: 16 февраля 2024 г.

Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения?

Букина Т. В., Кашин Д. В., Экономический журнал Высшей школы экономики 2024 Т. 28 № 1 С. 81–107

В статье строится прогноз региональной инфляции на примере субъектов, входящих в Приволжский федеральный округ (ПФО). Цель исследования – определить модель, которая точнее остальных прогнозирует региональную инфляцию. В работе производится сравнение инструментов машинного обучения – метода опорных векторов, градиентного бустинга и случайного леса с эконометрическими моделями временных рядов, авторегрессией и интегрированной авторегрессией-скользящего среднего, – моделями, которые чаще ...

Добавлено: 13 февраля 2024 г.

Incorporating financial development indicators into early warning systems

Пономаренко А. А., Татаринцев С. А., Journal of Economic Asymmetries 2023 Vol. 27 Article e00284

Добавлено: 28 марта 2023 г.

In Search of Global Determinants of National Credit-to-GDP Gaps

Stolbov M., Щепелева М. А., Risks 2022 Vol. 10 No. 12

Добавлено: 5 января 2023 г.

Contextual factors predicting compliance behavior during the COVID-19 pandemic: A machine learning analysis on survey data from 16 countries

Hajdu N., Schmidt K., Acs G. и др., Plos One 2022 Vol. 17 No. 11 Article e0276970

Добавлено: 18 октября 2022 г.

Spatiotemporal Modeling of Coniferous Forests Dynamics along the Southern Edge of Their Range in the Central Russian Plain

Chernenkova T., Котлов И. П., Belyaeva N. и др., Remote Sensing 2021 Vol. 13 No. 10 Article 1886

Добавлено: 20 марта 2022 г.

Кто виноват и что делать: анализ комментариев к фильмам о бесланском теракте

Смирнов Н. М., Социальная психология и общество 2021 Т. 12 № 3 С. 74–86

Цель. Выявить специфику содержания комментариев к документальным фильмам о пятнадцатой годовщине теракта в Беслане. Контекст и актуальность. На фоне реактивации дискурса о Беслане видится необходимым изучить осмысление трагедии в российском обществе. Крайне важным является обращение к нереактивным данным для оценки ретроспективного восприятия теракта. Дизайн исследования. Используется модель случайного леса для оценки конкретных характеристик комментариев. Данные. ...

Добавлено: 30 декабря 2021 г.

Decision Concept Lattice vs. Decision Trees and Random Forests

Дудырев Е. О., Кузнецов С. О., , in: Formal Concept Analysis: 16th International Conference, ICFCA 2021, Strasbourg, France, June 29 – July 2, 2021, Proceedings.: Springer, 2021. Ch. 16 P. 252–260.

Добавлено: 28 сентября 2021 г.

Randomness in Cancer Breakpoint Prediction

Челошкина К. С., Bzhikhatlov I., Попцова М. С., Journal of Computational Biology 2021 Vol. 28 No. 7 P. 716–731

Cancer genomes are susceptible to multiple rearrangements by deleting, inserting, and translocating genomic regions. Recently, the problem of finding determinants of breakpoint formations was approached with machine learning methods; however, unlike cancer point mutations, breakpoint prediction appeared to be a more difficult task, and various machine learning models did not achieve high prediction power often ...

Добавлено: 10 сентября 2021 г.

Методы классификации текстовых данных: можно ли потенциал количественного анализа использовать в качественном исследовании?

Александрова М. Ю., ИНТЕРакция. ИНТЕРвью. ИНТЕРпретация 2021 Т. 13 № 2 С. 81–96

Интеллектуальный анализ текстовых данных, или текст-майнинг, продемонстрировал активное развитие в последние годы. В статье в качестве примера сравниваются методы классификации, пригодные для решения задач по прогнозированию частичных неответов, и на этом материале автор строит рассуждения о том, как может быть реализован анализ текстовых данных в более широком исследовательском поле. Автор рассматривает ряд метрик, адаптированных для ...

Добавлено: 20 августа 2021 г.

Identifying Latin Authors through Maximum-Likelihood Dirichlet Inference: A Contribution to Model-Based Stylometry

Nikolaev D., Шумилин М. В., Shagi/Steps 2021 Vol. 7 No. 1 P. 183–198

Добавлено: 31 марта 2021 г.

How to choose an approach to handling missing categorical data: (un)expected findings from a simulated statistical experiment

Жучкова С. В., Ротмистров А. Н., Quality and Quantity 2022 Vol. 56 No. 1 P. 1–22

Добавлено: 20 февраля 2021 г.

News Sentiment in Bankruptcy Prediction Models: Evidence from Russian Retail Companies

Макеева Е. Ю., Синильщикова М., Journal of Corporate Finance Research 2020 Vol. 14 No. 4 P. 7–18

Добавлено: 10 ноября 2020 г.

Cancer Breakpoint Hotspots Versus Individual Breakpoints Prediction by Machine Learning Models

Челошкина К. С., Bzhikhatlov I., Попцова М. С., , in: Proceedings 16th International Symposium, ISBRA 2020, Moscow, Russia, December 1–4, 2020. Lecture Notes in Computer ScienceVol. 12304.: Springer Publishing Company, 2020. P. 217–228.

Добавлено: 3 ноября 2020 г.

Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values

Антипов Е. А., Покрышевская Е. Б., Journal of Revenue and Pricing Management 2020 No. 19 P. 355–364

Forecasting demand and understanding sales drivers are one of the most important tasks in retail analytics. However, traditionally, linear models and/or models with a small number of predictors have been predominantly used in sales modeling. Taking into account that real-world demand is naturally determined by complex substitution and complementation patterns among a large number of ...

Добавлено: 31 октября 2020 г.