Построение модели перехода от текстовых данных к числовым и прогнозирование ее значений с помощью методов машинного обучения
(Стр. 153-162)

Статья посвящена обработке финансовой информации и построению модели, способной на основании естественного языка строить прогнозы по изменениям настроений рынка и цен финансовых инструментов. Целью данной работы является рассмотрение приложения инструментов машинного обучения к задачам анализа экономической и финансовой информации. Задачи: изучение процесса обработки финансовой информации с помощью методов машинного обучения; приведение финансовых данных к релевантному виду; построение модели, демонстрирующей применение машинного обучения для задач обработки финансовой информации. Методы и модели: в исследовании используются методы моделирования, обработки текстовой и числовой информации, группировки данных, прогнозирования временных рядов. Результаты исследования заключаются в решении задачи предугадывания значений модели временного ряда. Для этого в работе была использована модель VADER, позволяющая перейти от текстовых данных к численным описаниям настроений и GAN. При этом GAN состоит из нескольких LTSM моделей, позволяющих решать задачу предугадывания значений на основании многих численных значений. Полученные результаты перспективны для современных реалий российской экономики.

Добрина М.В. Построение модели перехода от текстовых данных к числовым и прогнозирование ее значений с помощью методов машинного обучения // Проблемы экономики и юридической практики. 2026. Т. 22. № 1. С. 153-162. DOI: 10.33693/2541-8025-2026-22-1-153-162. EDN: DMSUIJ

Болтачев Э.Ф., Тюляков А.И. Современные методы обработки документов для расчета биржевых индикаторов // Цифровые решения и технологии искусственного интеллекта. 2025. Т. 1, № 4. С. 6–15.
Варьяш И.Ю., Климонов Д.В. Теоретическое решение модели неопределенности опережающих данных // Цифровые решения и технологии искусственного интеллекта. 2025. Т. 1, № 4. С. 86–92.
Васильченко А.М. Как проводить анализ данных при помощи Python? // Инновации и инвестиции. 2023. № 5. С. 161–165.
Добрина М.В., Чекмарев А.В. Основы адаптивного таргетирования в прогнозировании экономических процессов / Экономическое прогнозирование: модели и методы // Материалы XIV Международной научно-практической конференции. Под общей редакцией В.В. Давниса. 2018. Издательство: Воронежский центр научно-технической информации — филиал ФГБУ "РЭА" Минэрго России. С. 17–22.
Добрина М.В., Шишацский А.В. Инструментальные методы прогнозирования на криптовалютном рынке. / Экономическое прогнозирование: модели и методы // Материалы XIV Международной научно-практической конференции. Под общей редакцией В.В. Давниса. 2018. Издательство: Воронежский центр научно-технической информации — филиал ФГБУ "РЭА" Минэрго России. С. 131–136.
Илон Маск и манипулирование рынком ценных бумаг — [Электронный ресурс]. https://www.forbes.ru/finansy-i-investicii/420209-zolotoy-fond-citat-kak-tvity-ilona-maska-vliyayut-na-rynok
Кузьмина А.А., Лифшиц М.А., Костенко В.Ю. Методы компьютерной лингвистики и обработки естественного языка: возможности и ограничения для задач психологии личности // Современная зарубежная психология. 2022. Т. 11, № 1. С. 104–115.
Макконнелл С. Совершенный код. — БХВ-Петербург. 2022. 896 с.
Машинное обучение в финансах: Учебник для магистратуры / С. Ю. Богатырев, А. А. Помулев, А. В. Затевахина [и д. р.]; под ред. С. Ю. Богатырева. М.: Прометей, 2024. 224 с.
Рынок банковского IT — [Электронный ресурс]. https://www.tadviser.ru/index.php/Статья:Российский_рынок_банковской_информатизации.

финансовая информация, временные ряды, машинное обучение, прогнозирование, текстовая информация, числовая информация..