Исследование влияния пандемии COVID-19 на международные авиаперевозки

Щетинин Евгений Юрьевич


	1		Введение
	2		Предварительная обработка входных данных
	3		Таблица 1. Фрагмент входных данных Таблица 2. Описательная статистика входных данных Основные модели глубоких нейронных сетей для моделирования финансовых временных рядов Базовая рекуррентная нейронная сеть
	4		Рис. 1. Диаграмма рассеяния цен открытия и закрытия Рис. 2. Распределение доходности цен закрытия
	5		Таблица 3. Нормализованные исходные данные
	6		Нейронная сеть с управляемым рекуррентным блоком Нейронная сеть с управляемым рекуррентным блоком Рис. 3. График функции потерь при обучении RNN
	7		Рис. 4. Прогноз цены закрытия для последних 50 значений RNN Нейронная сеть с долгой краткосрочной памятью LSTM Нейронная сеть с долгой краткосрочной памятью LSTM
	8		Рис. 5. График потерь GRU Обсуждение результатов компьютерных экспериментов
	9		Рис. 6. Прогноз цены закрытия для всей тестовой выборки GRU Рис. 7. Прогноз цены закрытия для последних 50 значений GRU
	10		Рис. 8. График потерь LSTM Заключение
	11		Рис. 9. Прогноз цены закрытия для всей тестовой выборки LSTM Рис. 10. Прогноз цены закрытия последних 50 значений LSTM
	12		Рис. 11. График потерь различных моделей нейронный сетей Литература

Ключевые слова: нейронные сети, финансовое прогнозирование, глубокое обучение, международные авиаперевозки, влияние пандемии на финансовые риски, учет влияния пандемии в моделях анализа финансовых рисков

Аннотация

Статья посвящена моделированию и прогнозу стоимости международных авиационных перевозок в условиях пандемии с использованием методов глубокого обучения. Автор строит модели временных рядов стоимости акций авиакомпании American Airlines за выбранный период с использованием моделей рекуррентных нейронных сетей LSTM, GRU, RNN.

Журнал: «Управленческий учет и финансы» — №1, 2022 (© Издательский дом Гребенников)

Объем в страницах: 13

Библиографическая ссылка: печать / интернет

* Деятельность Meta (соцсети Facebook и Instagram) запрещена в России как экстремистская.

1. Вандер Плас Дж. Python для сложных задач: наука о данных и машинное обучение. — СПб.: Питер, 2018. — 576 с.

2. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. — М.: ДМК-Пресс, 2017. — 652 с.

3. Коэльо Л.П., Ричарт В. Построение систем машинноrо обучения нa языке Python. — М.: ДМК Пресс, 2016. — 302 с.

4. Щетинин Е.Ю. О структурном подходе к управлению компанией с высокой изменчивостью показателей // Финансы и кредит. — 2006. — №14(218). — С. 39–41.

5. American Airlines Group Inc. (AAL). — Подробнее .

6. Brooks C. (2019). Introductory Econometrics for Finance. Cambridge: Cambridge University Press.

7. Hamilton J.D.A. (1994). The Time Series Analysis. Princeton, New Jersey: University Press.

8. Hyndman R.J., Athanasopoulos G. (2018). Forecasting: Principles and Practice. Melbourne: OTexts.

9. Keras. —Подробнее .

Щетинин Евгений Юрьевич
д. ф.-м. н.
профессор

Профессор департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве Российской Федерации.

г. Москва

Другие статьи автора 9

Электронная библиотека