Диссертации, представленные на защиту и подготовленные в НИУ ВШЭ

Прогнозирование финансовых потоков является ключевой задачей для банковского сектора, инвестиционных компаний и регуляторов. Современные методы машинного обучения, в частности глобальные модели, демонстрируют высокую прогностическую точность, однако их применение ограничено чувствительностью к качеству данных, недостаточной разработанностью универсальных подходов к интеграции разнородной неструктурированной информации (в том числе финансовых новостей) и низкой интерпретируемостью прогнозов. В работе предложены эффективные процедуры предобработки временных рядов, способы генерации текстовых признаков, позволяющие выделять значимые сигналы из новостного фона и учитывать их влияние на динамику финансовых потоков, подходы к построению глобальных моделей, а также подходы к разработке мульти-модальных моделей, объединяющих временные ряды и текстовые данные при сохранении высокой интерпретируемости. Эффективность предложенных методов подтверждена на масштабных данных российского финансового сектора. Полученные результаты имеют существенную практическую значимость для оптимизации налично-денежного обращения, управления финансовой ликвидностью и разработки инвестиционных стратегий.