Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/26042
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Трофимова Инна Владимировна | ru_RU |
dc.contributor.advisor | Trofimova Inna Vladimirovna | en_GB |
dc.contributor.author | Цыбаева Александра Евгеньевна | ru_RU |
dc.contributor.author | Cybaeva Aleksandra Evgenevna | en_GB |
dc.contributor.editor | Крылатов Александр Юрьевич | ru_RU |
dc.contributor.editor | Krylatov Aleksandr Urevic | en_GB |
dc.date.accessioned | 2021-03-24T15:08:59Z | - |
dc.date.available | 2021-03-24T15:08:59Z | - |
dc.date.issued | 2019 | |
dc.identifier.other | 050347 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/26042 | - |
dc.description.abstract | Данная работа направлена на доказательство состоятельности методов машинного обучения при прогнозировании динамики инфляции в России. С этой целью построены прогнозы как одномерного временного ряда инфляции, так и многомерного, в который входят другие экономические показатели. Для измерения уровня инфляции выбран индекс потребительских цен, рассчитываемый для определенной группы товаров и услуг, входящих в состав потребительской корзины. В работе рассмотрены методы предсказания, использующие сезонную модель ARIMA, а также методику машинного обучения: регрессионные модели с регуляризацией, нейронные сети с прямой связью, нейронную сеть долгой краскосрочной памяти. По результатам исследования делается вывод о качестве построенных моделей, используя функционал среднеквадратичной ошибки (RMSE). Наименьшую ошибку имеет модель, прогнозирующая многомерный ряд инфляции с помощью нейронной сети долгой краткосрочной памяти. | ru_RU |
dc.description.abstract | This work is aimed at proving the consistency of machine learning methods in predicting the dynamics of inflation in Russia. For this purpose, forecasts have been made of both a one-dimensional time series of inflation and a multidimensional one, which includes other economic indicators. To measure the level of inflation, the consumer price index was chosen, calculated for a specific group of goods and services that are part of the consumer basket. The paper discusses prediction methods using the seasonal ARIMA model, as well as machine learning techniques: regression models with regularization, neural networks with direct coupling, neural networks of long-term memory. According to the results of the study, a conclusion is made about the quality of the constructed models using Root Mean Square Error (RMSE). The smallest error has a model that predicts a multidimensional series of inflation using a neural network of long short-term memory. | en_GB |
dc.language.iso | ru | |
dc.subject | Инфляция | ru_RU |
dc.subject | прогнозирование | ru_RU |
dc.subject | машинное обучение | ru_RU |
dc.subject | сезонная модель ARIMA | ru_RU |
dc.subject | нейронные сети | ru_RU |
dc.subject | Inflation | en_GB |
dc.subject | forecasting | en_GB |
dc.subject | machine learning | en_GB |
dc.subject | seasonal ARIMA model | en_GB |
dc.subject | neural networks | en_GB |
dc.title | Modelling system of monetary regulation | en_GB |
dc.title.alternative | Моделирование системы монетарного регулирования | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Modeling_system_of_the_monetary_regulation.pdf | Article | 1,37 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_otzyv.pdf | ReviewSV | 2,67 MB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.