ИЕРАРХИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ И DEEP LEARNING МОДЕЛЬ “RANDOM FOREST” УСТОЙЧИВОСТИ БАНКОВ В УСЛОВИЯХ РИСКА

  • Nikolay I. Lomakin Волгоградский государственный технический университет https://orcid.org/0000-0001-6597-7195
  • Tatyana I. Kuzmina Российский экономический университет им. Г.В. Плеханова https://orcid.org/0000-0002-1757-5201
  • Maxim S. Maramygin Уральский государственный экономический университет https://orcid.org/0000-0003-3416-775X
  • Svetlana N. Dergacheva Российский экономический университет имени Г.В. Плеханова, Волгоградский филиал
  • Yulia T. Tsebekova Волгоградский государственный технический университет https://orcid.org/0009-0000-6314-4237
  • Kanchana Vimalarathne Волгоградский государственный технический университет https://orcid.org/0000-0002-0853-7211
  • Ivan N. Lomakin Волгоградский государственный технический университет https://orcid.org/0000-0001-7392-1554
Ключевые слова: Machine Learning, Deep Learning модель, иерархическая кластеризация

Аннотация

Исследованы отдельные теоретические аспекты устойчивости российских банков в условиях риска. Актуальность обусловлена тем, что в условиях рыночной неопределенности и риска все чаще применяются подходы для обеспечения устойчивости банков с использованием искусственного интеллекта. Цель состоит в том, чтобы выявить закономерности между признаками Активы и ROA (Return on Assets) показателем рентабельности активов, и получить прогнозное значение чистой прибыли Сбербанка. Результатом исследования явилась иерархическая кластеризация, а также сформированная Deep Learning модель “Random Forest”, которая рассчитала прогнозное значение чистой прибыли Сбербанка. Новизна заключается в том, что в работе выдвинута и доказана гипотеза, что с помощью Deep Learning модели “Random Forest” может быть получен прогноз величины чистой прибыли коммерческих банков, что предопределяет устойчивость и динамику их развития. Выводы по результатам исследования сводятся к тому, разработана Deep Learning модель “Random Forest” для прогноза величины чистой прибыли, которая для Сбера на 2023 год составила 38631 млрд. рублей, что совпало с его фактическим значением. Область применения полученных результатов – коммерческие банки.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Nikolay I. Lomakin, Волгоградский государственный технический университет

к.э.н., доцент

Tatyana I. Kuzmina, Российский экономический университет им. Г.В. Плеханова

д.э.н., профессор

Maxim S. Maramygin, Уральский государственный экономический университет

д.э.н., профессор, директор института финансов и права, профессор кафедры финансов, денежного обращения и кредита

Svetlana N. Dergacheva, Российский экономический университет имени Г.В. Плеханова, Волгоградский филиал

к.э.н., доцент

Yulia T. Tsebekova, Волгоградский государственный технический университет

бакалавр

Kanchana Vimalarathne, Волгоградский государственный технический университет

магистрант

Ivan N. Lomakin, Волгоградский государственный технический университет

магистрант кафедры Системы автоматизированного проектирования и поискового конструирования

Литература

Список литературы

Асаева О.Н. Развитие и совершенствование системы мер обеспечения устойчивости банковской системы Российской Федерации // Молодой ученый. 2018. № 50 (236). С. 111-114.

Велиева И.С., Комардина О.Н., Самиев П.А. Финансовая устойчивость российских банков // Аудитор. 2008. № 3 (157). С. 38-45.

Вишняков И.П. Методология анализа устойчивости региональной банковской системы в императиве устойчивости банковской системы в целом // Финансовые исследования. 2017. № 3 (56). С. 46-53.

Дзюбан С.В. Система мониторинга финансовой устойчивости банковского сектора // Взаимодействие реального и финансового секторов в трансформационной экономике. Материалы Международной научной конференции. Оренбург, 2008. С. 215-217.

Комогорцев С.Н. Приемы анализа и методики оценки финансовой устойчивости банков в современной российской и мировой практике // Мир современной науки. 2012. № 3 (12). С. 37-40.

Котляров М.А. Рыночная капитализация как инструмент повышения устойчивости российских банков // Финансы и кредит. 2006. № 28 (232). С. 6-9.

Ломакин Н.И., Юрова О.В., Кособокова Е.В. Модель Random Forest на основе Big Data для прогнозирования устойчивости банковской системы Российской Федерации // Наука Красноярья. 2023. Т. 12, № 1-1. С. 78-100. https://doi.org/10.12731/2070-7568-2023-12-1-78-100

Ломакин Н.И., Юрова О.В., Терехов Т.В., Шабанов Н.Т. Разработка робо-эдвайзера на основе искусственного интеллекта по методу «случайный лес» как фактор повышения инвестиционной активности населения // π-Economy. 2023. Т. 16, № 3. С. 7-21. https://doi.org/10.18721/JE.16301

Мокеева Н.Н. Финансовые механизмы системы страхования вкладов в рамках обеспечения устойчивости банковской системы России и инновационного развития // Урал - драйвер неоиндустриального и инновационного развития России. Материалы II Уральского экономического форума, в 2 т. Екатеринбург, 2020. С. 152-158.

Сомов А.Г., Олейник Д.А., Калинина О.В. Применение гибридных систем на основе искусственного интеллекта для улучшения процесса принятия управленческих решений // Современная наука: актуальные проблемы теории и практики. Серия: Экономика и право. 2023. № 9. С. 74-78. https://doi.org/10.37882/2223-2974.2023.09.35

Урлапов П.С., Марамыгин М.С. Современные тенденции развития банковского сектора Российской Федерации в условиях экономической неопределенности // Современные тенденции развития финансово-банковского сектора в условиях экономической неопределенности. Сборник трудов международной научно-практической конференции. Нур-Султан, 2022. С. 202-206.

Хорошев С. Моделирование переломных ситуаций в российской экономике и устойчивость банков // Банковское дело. 2008. № 4. С. 53-56.

Anjan V. Thakor The purpose of banking: transforming banking for stability and economic growth. Book Review. 2020. Volume 56. P. 54–56. URL: https://link.springer.com/article/10.1057/s11369-020-00196-y (accessed 08.03.2024)

Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. P. 5-32. https://doi.org/10.1023/A:1010933404324

Christos V.G. The European Banking Regulation Handbook, Volume I. Theory of Banking Regulation, International Standards // Evolution and Institutional Aspects of European Banking Law. 2023. P. 161-198. URL: https://link.springer.com/book/10.1007/978-3-031-32859-6 (accessed 08.03.2024)

Hengxu L., Dong Z., Weiqing L., Jiang B. Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation // In 2nd ACM International Conference on AI in Finance (ICAIF’21), November 3–5, 2021, Virtual Event, USA. ACM, New York, NY, USA, 8 p. https://doi.org/10.1145/3490354.3494377

Lomakin N., Maramygin M., Kataev A., Kraschenko S., Yurova O., Lomakin I. Cognitive model of financial stability of the domestic economy based on artificial intelligence in conditions of uncertainty and risk // International Journal of Technology. 2022. Т. 13. № 7. P. 1588-1597.

Rodgers W., Cardenas J.A., Gemoets L.A., Sarfi R.J. A smart grids knowledge transfer paradigm supported by experts' throughput modeling artificial intelligence algorithmic processes // Technological Forecasting and Social Change. 2023. Vol. 190, 122373. https://doi.org/10.1016/j.techfore.2023.122373

References

Asaeva O.N. Development and improvement of the system of measures to ensure the stability of the banking system of the Russian Federation. Molodoy uchenyy [Young scientist], 2018, no. 50 (236), pp. 111-114.

Velieva I.S., Komardina O.N., Samiev P.A. Financial stability of Russian banks. Auditor, 2008, no. 3 (157), pp. 38-45.

Vishnyakov I.P. Methodology for analyzing the sustainability of the regional banking system in the imperative of sustainability of the banking system as a whole. Finansovye issledovaniya [Financial Research], 2017, no. 3 (56), pp. 46-53.

Dzyuban S.V. System for monitoring the financial stability of the banking sector. Interaction of the real and financial sectors in the transformation economy. Materials of the International Scientific Conference. Orenburg, 2008, pp. 215-217.

Komogortsev S.N. Techniques of analysis and methods for assessing the financial stability of banks in modern Russian and world practice. Mir sovremennoy nauki [World of modern science], 2012, no. 3 (12), pp. 37-40.

Kotlyarov M.A. Market capitalization as a tool for increasing the stability of Russian banks. Finansy i kredit [Finance and Credit], 2006, no. 28 (232), pp. 6-9.

Lomakin N.I., Yurova O.V., Kosobkova E.V. Random Forest model based on Big Data for predicting the stability of the banking system of the Russian Federation. Nauka Krasnoyarya [Krasnoyarsk Science], 2023, vol. 12, no. 1-1, pp. 78-100. https://doi.org/10.12731/2070-7568-2023-12-1-78-100

Lomakin N.I., Yurova O.V., Terekhov T.V., Shabanov N.T. Development of a robo-advisor based on artificial intelligence using the “random forest” method as a factor in increasing the investment activity of the population. π-Economy, 2023, vol. 16, no. 3, pp. 7-21. https://doi.org/10.18721/JE.16301

Mokeeva N.N. Financial mechanisms of the deposit insurance system within the framework of ensuring the sustainability of the Russian banking system and innovative development. Ural - driver of neo-industrial and innovative development of Russia. Materials of the II Ural Economic Forum, 2 volumes. Ekaterinburg, 2020, pp. 152-158.

Somov A.G., Oleinik D.A., Kalinina O.V. Application of hybrid systems based on artificial intelligence to improve the process of making management decisions. Sovremennaya nauka: aktual'nye problemy teorii i praktiki. Seriya: Ekonomika i pravo [Modern science: current problems of theory and practice. Series: Economics and law], 2023, no. 9, pp. 74-78. https://doi.org/10.37882/2223-2974.2023.09.35

Urlapov P.S., Maramygin M.S. Modern trends in the development of the banking sector of the Russian Federation in conditions of economic uncertainty. Modern trends in the development of the financial and banking sector in conditions of economic uncertainty. Collection of proceedings of the international scientific and practical conference. Nur-Sultan, 2022, pp. 202-206.

Khoroshev S. Modeling turning points in the Russian economy and the stability of banks. Bankovskoe delo [Banking], 2008, no. 4, pp. 53-56.

Anjan V. Thakor The purpose of banking: transforming banking for stability and economic growth. Book Review. 2020. Volume 56. P. 54–56. URL: https://link.springer.com/article/10.1057/s11369-020-00196-y (accessed 08.03.2024)

Breiman L. Random Forests. Machine Learning, 2001, vol. 45, pp. 5-32. https://doi.org/10.1023/A:1010933404324

Christos V.G. The European Banking Regulation Handbook, Volume I. Theory of Banking Regulation, International Standards. Evolution and Institutional Aspects of European Banking Law, 2023, pp. 161-198. URL: https://link.springer.com/book/10.1007/978-3-031-32859-6 (accessed 08.03.2024)

Hengxu L., Dong Z., Weiqing L., Jiang B. Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors to Improve Covariance Matrix Estimation. In 2nd ACM International Conference on AI in Finance (ICAIF’21), November 3–5, 2021, Virtual Event, USA. ACM, New York, NY, USA, 8 p. https://doi.org/10.1145/3490354.3494377

Lomakin N., Maramygin M., Kataev A., Kraschenko S., Yurova O., Lomakin I. Cognitive model of financial stability of the domestic economy based on artificial intelligence in conditions of uncertainty and risk. International Journal of Technology, 2022, vol. 13, no. 7, pp. 1588-1597.

Rodgers W., Cardenas J.A., Gemoets L.A., Sarfi R.J. A smart grids knowledge transfer paradigm supported by experts' throughput modeling artificial intelligence algorithmic processes. Technological Forecasting and Social Change, 2023, vol. 190, 122373. https://doi.org/10.1016/j.techfore.2023.122373


Просмотров аннотации: 40
Загрузок PDF: 9
Опубликован
2024-03-29
Как цитировать
Lomakin, N., Kuzmina, T., Maramygin, M., Dergacheva, S., Tsebekova, Y., Vimalarathne, K., & Lomakin, I. (2024). ИЕРАРХИЧЕСКАЯ КЛАСТЕРИЗАЦИЯ И DEEP LEARNING МОДЕЛЬ “RANDOM FOREST” УСТОЙЧИВОСТИ БАНКОВ В УСЛОВИЯХ РИСКА. Наука Красноярья: экономический журнал, 13(1), 88-102. https://doi.org/10.12731/2070-7568-2024-13-1-235
Раздел
Экономические исследования