2019 рік
Permanent URI for this community
Browse
Browsing 2019 рік by Issue Date
Now showing 1 - 8 of 8
Results Per Page
Sort Options
Item Дослідження способів трансформації даних в контексті підвищення ефективності моделей кредитного скорингу(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Клебан, Юрій В.; Kleban, Yuriy; Клебан, Юрий В.У статті проведено дослідження з пошуку найефективнішого підходу до попередньої обробки характеристичних ознак позичальників з метою підвищення точності передбачення дефолтів за кредитними зобов’язаннями. Проаналізовано три основних способи подання даних на входи моделей кредитного скорингу: застосування початкових пояснюючих змінних без трансформації, переведення категоріальних характеристик у набір фіктивних змінних, біннінг показників із розрахунком вагомості ознаки (WOE) для кожної категорії. Для отримання висновків щодо систематичного впливу цих підходів було проведено по 10 повторюваних ітерацій з побудови нейромережевих моделей персептронного типу за кожним із цих трьох способів підготовки вхідних факторів. Кожна скорингова модель оцінювалась за широким набором показників інтегральної та точкової ефективності. Результати проведених експериментів засвідчили практично за всіма критеріями перевагу запропонованого автором методологічного підходу до попередньої обробки даних шляхом розбиття кількісних змінних на категорії із забезпеченням тренду їх показників вагомості ознаки та дотриманням обмежень на обсяг спостережень у кожній групі. The article highlights a study on the search for the most effective approach to pre-processing the characteristics of borrowers in order to improve the accuracy of predicting defaults on credit obligations. Three main ways of providing data to the inputs of credit scoring models are analyzed: the use of the initial explanatory variables without transformation, the conversion of categorical characteristics into a set of dummy variables, binning the indicators with the calculation of the weights of evidence (WOE) for each category. To obtain conclusions about the systematic impact of these approaches, 10 repeated iterations were carried out with the construction of perceptron-type neural network models based on each of these three methods of preparing input factors. All scoring models were evaluated by a wide range of indicators of integrated and point efficiency. The results of the experiments showed by almost all criteria the advantage of the methodological approach proposed by the author for preliminary data processing by dividing quantitative variables into categories, ensuring the trend in values of their weights of evidence and observing restrictions on the volume of observations in each group. В статье проведено исследование, посвященное поиску наиболее эффективного подхода к предварительной обработке характеристических признаков заемщиков с целью повышения точности предсказания дефолтов по кредитным обязательствам. Проанализированы три основных способа представления данных на входы моделей кредитного скоринга: применение исходных объясняющих переменных без трансформации, преобразование категориальных характеристик в набор фиктивных переменных, биннинг показателей с расчетом весомости признака (WOE) для каждой категории. Для получения выводов относительно систематического влияния данных подходов было проведено 10 повторяющихся итераций с построением нейросетевых моделей персептронного типа на основе каждого из этих трех способов подготовки входных факторов. Все скоринговые модели оценивались по широкому набору показателей интегральной и точечной эффективности. Результаты проведенных экспериментов продемонстрировали практически по всем критериям преимущество предложенного автором методологического подхода к предварительной обработке данных путем разбиения количественных переменных на категории с обеспечением тренда их показателей весомости признака и соблюдением ограничений по объему наблюдений в каждой группе.Item Геомаркетинговий підхід в задачі розміщення: порівняльний аналіз трьох алгоритмів кластеризації(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Кононова, Катерина Ю.; Kononova, Kateryna; Кононова, Екатерина Ю.; Кострінчук, Денис О.; Kostrinchuk, Denis; Костринчук, Денис А.В результаті дослідження було вирішено задачу оптимізації мережі кав’ярень у місті Харків, яка полягала в тому, щоб знайти такі місця розташування торгівельних точок, щоб мережа кав’ярень рівномірно покривала усе місто, а окремі кав’ярні знаходилися на прийнятній відстані одна від одної та забезпечували максимальний трафік потенційних клієнтів. Для вирішення задачі було використано геомаркетинговий підхід, що дозволяє порядз маркетинговою інформацією враховувати просторові дані. Розроблено низку моделей кластеризаціїта проведено серію експериментів із кожною з них. Аналіз результатів експериментів показав, що базова модель хоча і задовольняє вимогам рівномірного покриття міста мережею кав’ярень, але вона не враховує характеристики потенційних клієнтів. Багатофакторнамодель, навпаки, хоча і дозволяє враху-вати маркетингову інформацію, проте не спрямована на пошук кластерів, для яких з центру до околиці можна дістатися за прийнятний час. В результаті застосування зваженої однофакторної моделі було проведено кластеризацію окремо для різних сегментів потенційних клієнтів, для кожного з яких була вирішена задача розміщення. Результати отриманої кластеризації задовольнили усім потребам бізнесу. В результаті заміни метрики Хаверсіна для підрахунку фактичної відстані між двомакоординатами на дані API Google maps було враховано особливості міського трафіку та уточнено межі кластерів. As a result of the study, the problem of placing a coffee shop network in Kharkiv was solved in order to find such locations for outlets so that the coffee shop network evenly covers the entire city and different cafes are at an acceptable distance from each other and provide maximum traffic of potential customers.To solve the problem, a geomarketing approach was used which along with marketing information allows taking spatial data into account. A number of clustering models were developed and a series of experiments were conducted with eachof them.The analysis of the results of experiments showed that thebasic modelalthough meets the requirements of uniform coverage of the city with a chain of coffee houses, but it does not take into consideration the characteristics of potential customers. The multifactor model, on the contrary, although allows taking into account marketing information, but it is not aimed at finding clusters for which you can get from the center to the outskirts in acceptable time. As a result of applying a weighted one-factor model, clustering was carried out separately for different segments of potential customers, for each of them the placement problem was solved. The results of clustering satisfied all needs of the business. After replacement the way of calculating distance between two coordinates fromHaversine distance metric toGoogle maps API data, the urban traffic features were taken into account and clusters boundaries were refined. В результате исследования была решена задача размещения сети кофеен в городе Харьков, которая заключалась в том, чтобы найти такие места расположения торговых точек, чтобы сеть кофеенравномерно покрывала весь город, а отдельные кафе находились на приемлемом расстоянии друг от друга и обеспечивали максимальный трафик потенциальных клиентов. Для решения задачи был использован геомаркетинговый подход, позволяющий наряду с маркетинговой информацией учитывать пространственные данные. Разработан ряд моделей кластери-зации и проведены серии экспериментов с каждой из них. Анализ результатов экспериментов показал, что базовая модель хотя и удовлетворяет требованиям равномерного покрытия города сетью кофеен, но она не учитывает характеристики потенциальных клиентов. Многофакторная модель, наоборот, хотя и позволяет учесть маркетинговую информацию, однако не направлена на поиск кластеров, для которых из центра до окраины можно добраться за приемлемое время. В результате применения взвешенной однофакторной модели была проведена кластеризация отдельно для различных сегментов потенциальных клиентов, для каждого из которых была решена задача размещения. Результаты полученной кластеризации удовлетворили всем потребностям бизнеса. В результате замены метрики Хаверсина для подсчета реального расстояния между двумя координатами на данные API Google maps были учтены особенности городского трафика и уточнены границы кластеров.Item Застосування методів машинного навчання до прогнозування часових рядів криптовалют(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2019) Дербенцев, Василь Джоржович; Derbentsev, Vasil; Дербенцев, Василий Джорджевич; Великоіваненко, Галина Іванівна; Velykoivanenko, Halyna; Великоиваненко, Галина Ивановна; Даценко, Наталія Володимирівна; Datsenko, Nataliia; Даценко, Наталия ВладимировнаРобота присвячена питанням прогнозування короткострокової динаміки часових рядів криптовалют за допомогою методів машинного навчання (ML). Проаналізовано методологічні засади, переваги та недоліки використання ML-алгоритмів при дослідженні фінансових часових рядів.Проведено прогнозні розрахунки динаміки трьох найбільш капіалізованих криптовалют (Bitcoin, Ethereum, Ripple) на 90-денний часовий горизонт як за допомогою запропонованого методу бінарного авторегресійного дерева (BART), так і звикористанням нейронних мереж (багатошарового персептрону, MLP) та ансамблю моделей дерев регресії та класифікації (випадковий ліс, RF). Перевагою побудованих моделей є те, що їх застосування не накладає жорстких обмежень на статистичні властивості досліджуваних часових рядів, при цьому в якості предикторів використовуються лише минулі значення цільової змінної. Проведено порівняльний аналіз прогностичних властивостей побудованих моделей, згідно з яким усі моделів цілому достатньо адекватно описують динаміку досліджуваних криптовалют, при цьому похибки прогнозу цін за середньою абсолютною процентною похибкою (MAPE) для моделей BART та MLP склали в середньому 3,5%, а для моделі RF—в межах 5%.Проведені комп’ютерні експерименти підтвердили доцільність застосування розглянутих ML моделей для задач короткострокового прогнозування фінансових часових рядів. Побудовані моделі та їх ансамблі можуть бути покладені в основу алгоритмів для автоматизованих торгових систем, призначених для інтернет-трейдінгу. This paper is devoted to the problems of the short-term forecasting cryptocurrencies time series using machine learning approach. The methodological principles, advantages and disadvantages of using ML-algorithms in the study offinancial time series are analyzed.The 90-day time horizon of the three most capitalized crypto-currencies (Bitcoin, Ethereum, Ripple) dynamics has been estimated both using the proposed Binary Autoregressive Tree model (BART), and Neural Networks(Multilayer Perceptron, MLP) and an ensemble of Classification and Regression Trees models (Random Forest, RF). The built models have such advantages as their application does not impose strict limitation on the statistical properties of the studied time series,with only past values of the target variable being used as predictors. Comparative performance of the predictive ability of the constructed models is carried out, according to which all the models adequately describe the dynamics of the cryptocurrencies. Price forecast errors calculated by the MAPE for the BART and MLP models were on average 3.5%, and for RF model—within 5%.Computer experiments have confirmed the feasibility of using proposedML-models for the short-term forecasting of financial time series. The constructed models and their ensembles can become the basis for the algorithms for automated trading systems for online trading. Работа посвящена вопросам прогнозирования краткосрочной динамики временных рядов криптовалют с помощью методов машинного обучения (ML). Проанализированы методологические основы, преимущества и недостатки использования ML-алгоритмов при исследовании финансовых временных рядов. Проведены прогнозные расчеты динамики трех наиболее капитализированных криптовалют (Bitcoin, Ethereum, Ripple) на 90-дневный временной горизонт как с помощью предложенного метода бинарного авторегрессионного дерева (BART), так и с использованием нейронных сетей (многослойного персептрона, MLP) и ансамбля моделей деревьев регрессии и классификации (случайный лес, RF). Преимуществом построенных моделей является то, что их применение не накладывает жестких ограничений на статистические свойства изучаемых временных рядов, причем в качестве предикторов используются только предыду-щие значения целевой переменной.Проведен сравнительный анализ прогностических свойств построенных моделей, согласно которому все модели в целом достаточно адекватно описывают динамику исследуемых криптовалют, при этом ошибки прогноза цен, рассчитанные по средней абсолютной процентной погрешности (MAPE), для моделей BART и MLP составили в среднем 3,5%, а для модели RF—в пределах 5%. Проведенные компьютерные эксперименты подтвердили целесообразность применения рассмотренных ML моделей для задач краткосрочного прогнозирования финансовых временных рядов. Построенные модели и их ансамбли могут быть положены в основу алгоритмов для автоматизированных торговых систем, предназначенных для интернет-трейдинга.Item Visibility graphs and precursors of stock crashes(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Soloviev, Vladimir; Соловйов, Володимир М.; Соловьев, Владимир Н.; Solovieva, Viktoria; Соловйова, Вікторія В.; Соловьева, Виктория В.; Tuliakova, Anna; Тулякова, Анна Ш.Based on the network paradigm of complexity, a systematic analysis of the dynamics of the largest stock markets in the world has been carried out in the work. According to the algorithm of the visibility graph, the daily values of stock indices are converted into a network, the spectral and topological properties of which are sensitive to the critical and crisis phenomena of the studied complex systems. It is shown that some of the spectral and topological characteristics can serve as measures of the complexity of the stock market, and their specific behaviour in the pre-crisis period is used as indicators-precursors of crisis phenomena. The influence of globalization processes on the world stock market is taken into account by calculating the interconnection (multiplex) measures of complexity, which modifies in some way, but does not change the fundamentally predictive possibilities of the proposed indicators-precursors. Виходячи з мережної парадигми складності, у роботі проведено системний аналіз динаміки найбільших фондових ринків світу. За алгоритмом графа видимості щоденні значення фондових індексів перетворено у мережу, спектральні і топологічні властивості якої чутливі до критичних і кризових явищ досліджуваних складних систем. Показано, що деякі із спектральних і топологічних характеристик можуть слугувати мірами складності фондового ринку, а їх специфічна поведінка у передкризовий період використовуватись у якості індикаторів-передвісників кризових явищ. Вплив процесів глобалізації на світовий фондовий ринок враховано шляхом розрахунку міжмережніх (мультиплексних) мір складності, які певним чином модифікують, але не змінюють принципово прогнозних можливостей запропонованих індикаторів-передвісників. В работе проведен системный анализ динамики крупнейших фондовых рынков мира, базируясь на сетевой парадигме сложности. Согласно алгоритму графа видимости ежедневные значения фондовых индексов преобразованы в сеть, спектральные и топологические свойства которой чувствительны к критическим и кризисным явлениям исследуемых сложных систем. Показано, что некоторые из спектральных и топологических характеристик могут служить мерами сложности фондового рынка, а их специфическое поведение в предкризисный период использоваться в качестве индикаторов-предвестников кризисных явлений. Влияние процессов глобализации на мировой фондовый рынок учтено путем расчета межсетевых (мультиплексных) мер сложности, которые определенным образом модифицируют, но не меняют принципиально прогнозных возможностей предложенных индикаторов-предвестников.Item Risk and return for cryptocurrencies as alternative investment: Kohonen maps clustering(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2019) Kaminskyi, Andrii; Камінський, Андрій Б.; Каминский, Андрей Б.; Miroshnychenko, Ihor; Мірошниченко, Ігор Вікторович; Мирошниченко, Игорь Викторович; Pysanets, Kostiantyn; Писанець, Костянтин К.; Писанец, Константин К.The active development of cryptocurrencies in recent years allows iden-tifying the process of forming new class of alternative investment assets. There was formed a sample of cryptocurrencies based on criteria capitalization and historical returns for estimation investment risk of this asset class. The sample included 327 cryptocurrencies, each of which has a capitalization of more than $ 1 mln. Measurement of investment risk was carried out on the basis of five approaches. The first one is grounded on the variability indicators. The second approach includes risk assess-ment in the context of asymmetry. The third is based on the concept of capital formation as part of the risk measures VaR and CVaR. The fourth focuses on measuring sensitivity risk. The fifth approach supposes using the Hurst exponent to measure risk. Based on the measures of these approaches, a comprehensive risk assessment was carried out. To cluster cryptocurrencies by riskiness, indicators from each group were selected, to which the technique of Kohonen self-organizing map was applied. The result was a partition of cryptocurrencies into three clusters. The analysis of the results is proposed and the corresponding conclusions and recommendations are made. Активний розвиток криптовалют в останні роки дозволяє ідентифікувати процес формування нового класу альтернативних інвестиційних активів. Для оцінки інвестиційного ризику цього класу активів у дослідженні була сформована вибірка криптовалют, заснована на критеріях капіталізації та історичної доходності. Вибірка включала 327 криптовалют, які мали капіталізацію більше 1 млн. дол. США. Вимірювання інвестиційного ризику здійснювалося на основі п’яти підходів. Перший з них заснований на показниках варіативності. Другий підхід включав оцінки ризику в контексті асиметрії. Третій ґрунтувався на концепції формування капіталу в межах мір ризику VaR та CVaR. Четвертий був сфокусований на ризику чутливості. П’ятий підхід передбачав використання для вимірювання ризику показника Херста. На основі мір із зазначених підходів було здійснено комплексне оцінювання ризику. Для кластеризації криптовалют за ризиковістю були вибрані індикатори з кожної групи, до яких була застосована технологія самоорганізаційних карт Кохонена. Результатом стало розбиття криптовалют у три кластера. Наведено аналіз отриманих результатів та зроблені відповідні висновки і рекомендації. Активное развитие криптовалют за последние годы позволяет идентифицировать процесс формирования нового класса альтернативных инвестиционных активов. Для оценки инвестиционного риска этого класса активов в исследовании была сформирована выборка криптовалют, основанная на критериях капитализации и исторической доходности. Выборка включала 327 криптовалют, которые имели капитализацию больше 1 млн. дол. США. Измерение инвестиционного риска осуществлялось на основе пяти подходов. Первый из них основан на применении показателей вариативности. Второй подход включал оценки риска в контексте асимметрии. Третий основывался на концепции формирования капитала в рамках мер риска VaR и CVaR. Четвертый был сфокусирован на риске чувствительности. Пятый подход предполагал использование для измерения риска показателя Херста. На основе мер из указанных подходов была осуществлена комплексная оценка риска. Для кластеризации криптовалют по их рисковости были выбраны индикаторы из каждой группы, к которым была применена технология самоорганизующихся карт Кохонена. Результатом стало разбиение криптовалют на три кластера. Приведен анализ полученных результатов и сделаны соответствующие выводы и рекомендации.Item Застосування багатошарових персептронів для класифікації позичальників-юридичних осіб(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Григорович, Ольга В.; Hryhorovych, OlhaСтаттю присвячено пошуку оптимальної архітектури нейронної мережі типу багатошаровий персептрон для мінімізації похибкипершого роду при вирішенні задачі класифікації позичальників-юридичних осіб за рівнем кредитоспроможності. Проведено експериментальні дослідження із більше ніж 3000 моделями персептронного типу в інструментальному пакеті STATISTICA Neural Networks. Зроблено висновки і рекомендації щодо поділу генеральної сукупності спостережень на навчальну, тестову та контрольну вибірки з метою підвищення ефективності діагностування позичальників, котрим загрожує дефолт. Виявлено, що оптимальна кількість пояснювальних змінних для адекватної оцінки кредитоспроможності юридичних осіб має бути більшою 10. За таких умовсередня точність передбачення дефолтів позичальників становить 80,23% (відповідно, помилка першого роду є меншою за 20%). Для найбільш адекватних моделей, відібраних у ході дослідження, похибка першогороду становить 10,69%–13,69%. Отримані експериментальні розрахунки підтверджують можливість і доцільність практичного застосування нейронних мереж персептронного типу при оцінці кредитоспроможності позичальників-юридичних осіб. The article is devoted to the search for the optimal architecture of a neural network such as a multilayer perceptron in order toreduce the type I error in solving the problem of classifying borrowers-legal entities by credit level. Experimental studies have been conducted with more than3000 multilayer perceptron models in the STATISTICA Neural Networks toolbox. Conclusions and recommen-dations have been made regarding the dividing dataset into training, test and validation samples to improve prediction of the borrower’s default. It was revealed that the optimal number of explanatory variables for an adequate assessment of the creditworthiness of legal entities should exceed 10. Under such conditions, the average accuracy of prediction of defaults of borrowers is 80.23% (respectively, thetype I error is less than 20%). For the most adequate models selected during the study, the type I error is 10.69%–13.69%. The obtained experimental calculations confirm the possibility and expediency of the practical application of perceptron-type neural networks in assessing the creditworthiness of borrowers-legal entities. Статья посвящена поиску оптимальной архитектуры нейронной сети типа многослойный персептрон с целью минимизации ошибки первого рода при решении задачи классификации заемщиков-юридических лиц по уровню кредитоспособности. Проведены экспериментальные исследования с более чем 3000 моделями персептронного типа в инструментальном пакете STATISTICA Neural Networks. Сделаны выводы и рекомендации по разделению генеральной совокупности наблюдений на учебную, тестовую и контрольную выборки с целью повышения эффективности диагностирования заемщиков, которым грозит дефолт. Выявлено, что оптимальное количество объясняющих переменных для адекватной оценки кредитоспособности юридических лиц должно превышать 10. При таких условиях средняя точность предсказания дефолтов заемщиков составляет 80,23% (соответственно, ошибка первого рода меньше20%). Для наиболее адекватных моделей, отобранных в ходе исследования, ошибка первого рода составляет 10,69%–13,69%. Полученные экспериментальные расчеты подтверждают возможность и целесообразность практического применения нейронных сетей персептронного типа при оценке кредитоспособности заемщиков-юридических лиц.Item Вплив розвитку четвертої індустріальної революції на дивергенцію і конвергенцію економічної нерівності для різних країн світу(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2019) Кобець, Віталій М.; Kobets, Vitaliy; Кобец, Виталий Н.; Яценко, Валерія О.; Yatsenko, Valeria; Яценко, Валерия О.Вибір між економічною ефективністю та соціальною справедливістю став ключовою проблемою в економічному розвитку, оскільки в сучасній економічній системі, яка наблизилася до оптимуму Парето, досягнення обох цих цілей є взаємовиключним. Подальше забезпечення балансу між цими цілями можливе лише за кардинальної зміни діючої системи економічних відносин та отримання доступу до нових кривих виробничих можливостей, що може стати цілком реальними в рамках розвитку Індустрії 4.0 та шостої технологічної хвилі. Тим не менш, ніхто не може передбачити соціальний вплив Індустрії 4.0 на суспільство, яке в контексті майбутніх технологічних змін перетворюється на «Суспільство 4.0». Метою даної роботи є здійснення кластерного аналізу нерівності країн під впливом розвитку ІТ. Ми дослідили вплив валового капіталу, витрат на дослідження та розробки для створення інновацій, інтелектуальної власності та експорту високих технологій на нерівність країн, використовуючи аналіз основних компонентів на основі відкритих даних 2012-2015 років. Було визначено 2 основних кластери з 45 країн, які мають ознаки конвергенції та дивергенції завдяки розвитку ІТ. Було також виявлено країни, які мали нерівність в забезпеченні економічної ефективності та соціальної справедливості через інші причини, не пов'язані з розвитком інформаційних технологій. The choice between economic efficiency and social equity has become a key objection in economic development, since in the current economic system, which has become close to the Pareto optimum, the achievement of both of these goals is mutually exclusive. Further balancing between these goals is possible only with a fundamental change of current system of economic relations and getting access to new curves of production capabilities, which may become quite real within development of Industry 4.0 and 6th technological wave. Nevertheless, nobody can predict the social impact of Industry 4.0 on society, which in the context of future technological changes transforms into Society 4.0. The purpose of this paper is to conduct a cluster analysis of countries inequality due to IT development. We researched impact of gross capital formation, research and development expenditure to create innovations, intellectual property and high-technology exports on inequality of countries using principal component analysis based on open data for 2012-2015. 2 main clusters of 45 countries were identified which have convergence and divergence attributes due to IT development. It was also revealed the countries with inequalities in ensuring economic efficiency and social equity due to other reasons which are not connected with IT development. Выбор между экономической эффективностью и социальной справедливостью стал ключевой проблемой в экономическом развитии, поскольку в нынешней экономической системе, которая приблизилась к оптимуму по Парето, достижение обеих этих целей является взаимоисключающим. Дальнейшее обеспечение баланса между этими целями возможно только при фундаментальном изменении существующей системы экономических отношений и получении доступа к новым кривым производственных возможностей, что может стать вполне реальными в рамках развития Индустрии 4.0 и шестой технологической волны. Тем не менее, никто не может предсказать социальное влияние Индустрии 4.0 на общество, которое в контексте будущих технологических изменений трансформируется в «Общество 4.0». Целью данной работы является проведение кластерного анализа неравенства стран в связи с развитием ИТ. Мы исследовали влияние валового накопления капитала, расходов на исследования и разработки для создания инноваций, интеллектуальной собственности и экспорта высокотехнологичных товаров на неравенство стран с использованием анализа основных компонентов на основе открытых данных за 2012–2015 годы. Было определено 2 основных кластера из 45 стран, которые имеют атрибуты конвергенции и дивергенции из-за развития ИТ. Также были выявлены страны, имевшие неравенство в обеспечении экономической эффективности и социальной справедливости по другим причинам, не связанным с развитием информационных технологий.Item Моделювання процесів трансграничного поширення фінансових криз(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2019) Стрельченко, Інна Іллівна; Strelchenko, Inna; Стрельченко, Инна ИльиничнаУ статті досліджуються особливості процесів поширення кризових явищ через фінансові та торгівельні канали. Наведено основні передумови, що мають бути враховані при моделюванні їх розповсюдження. Зокрема, для опису часової структури цих процесів автором вводиться термін «латентний період» та обґрунтовується алгоритм визначення його часових меж. Проведено кількісне оцінювання ефективності запропонованої концепції. Спираючись на отримані результати здійснено відбір макроекономічних індикаторів, що характеризують стан основних каналів поширення кризових явищ і відображають деформаційні процеси в економіці за деякий час до завершення латентного періоду. В результаті проведеного аналізу та експериментального тестування сформовано систему вхідних класифікаційних характеристик, необхідних для побудови економіко-математичної моделі прогнозування наслідків поширення фінансової кризи: обсяг офіційних золотовалютних резервів без урахування золота; співвідношення грошового агрегату М2 до обсягу золотовалютних резервів; грошовий мультиплікатор; зміна грошового агрегату М0; зміна грошового агрегату М2; спред ставки відсотка по кредитах в іноземній валюті всередині країни до аналогічного показника за кордоном; коефіцієнт монетизації економіки; зростання експорту; зростання імпорту; частка експорту у ВВП. Отримана нейронна мережа-класифікатор на базі самоорганізаційної карти Кохонена розподіляє простір вихідних точок (кожна з котрих має просторову розмірність у десять координат та характеризується часовою глибиною у тривалість латентного періоду для досліджуваної країни) на кластери, в яких динаміка таких індикаторів як ВВП, реальний обмінний курс до СПЗ, обсяг золотовалютних резервів, гарантований державний борг та вартість облігацій зовнішньої державної позики є подібною. Це дозволило сформувати базу сценаріїв можливої поведінки економік під впливом процесів поширення кризових явищ на основі макропоказників, що характеризують стан фінансового та торгівельного каналів поширення. The article deals with the features of the crisis propagation through financial and trade channels. The basic premises that should be taken into account when modeling them are given. In particular, to describe the temporal structure of these processes, the author introduces the term «latent period» and substantiates an algorithm for determining its time boundaries. A quantitative assessment of the proposed concept efficiency was carried out. Based on the results obtained, a selection of macroeconomic indicators was carried out which characterize the main channels for the spread of crisis phenomena and describe the deformation processes well in advance of the end of the latent period. As a result of analysis and testing, a system of input classification characteristics is formed, which are necessary to build an economic and mathematical model for predicting the effects of the financial crisis spreading: total reserves excluding gold; the ratio of the M2 monetary aggregate to the total reserves; money multiplier; change in the monetary aggregate M0; change in the monetary aggregate M2; spread of interest rates on loans in foreign currency within the country to the same indicator abroad; monetization coefficient; export growth; import growth; export share in GDP. The obtained neural network-classifier divides the space of the starting points (each of which has a spatial dimension of ten coordinates and is characterized by a time depth in the latency period for the country under study) into clusters, within which the dynamics of such indicators as GDP, national currency per SDR, total reserves excluding gold, publicly guaranteed debt and the value of external government loan bonds are similar. This allowed us to form a base of scenarios of the possible behavior of economies under the influence of the processes of the spread of crisis phenomena based on macro indicators characterizing the state of the financial and trade spreading channels. В статье исследуются особенности процессов распространения кризисных явлений через финансовые и торговые каналы. Приведены основные предпосылки, которые должны быть учтены при их моделировании. В частности, для описания временной структуры этих процессов автором вводится термин «латентный период» и обосновывается алгоритм определения его временных границ. Проведена количественная оценка эффективности предложенной концепции. Опираясь на полученные результаты осуществлен отбор макроэкономических индикаторов, характеризующих состояние основных каналов распространения кризисных явлений и отражающих деформационные процессы в экономике за некоторое время до конца латентного периода. В результате проведенного анализа и экспериментального тестирования сформирована система входных классификационных характеристик, необходимых для построения экономико-математической модели прогнозирования последствий финансового кризиса: объем официальных золотовалютных резервов без учета золота; соотношение денежного агрегата М2 к объему золотовалютных резервов; денежный мультипликатор; изменение денежного агрегата М0; изменение денежного агрегата М2; спрэд ставки процента по кредитам в иностранной валюте внутри страны к аналогичному показателю за рубежом; коэффициент монетизации экономики; рост экспорта; рост импорта; доля экспорта в ВВП. Полученная нейронная сеть-классификатор на основе самоорганизующейся карты Кохонена распределяет пространство исходных точек (каждая из которых имеет пространственную размерность в десять координат и характеризуется временной глубиной в продолжительность латентного периода для исследуемой страны) на кластеры, в середине которых динамика таких индикаторов как ВВП, реальный обменный курс к СПЗ, объем золотовалютных резервов, гарантированный государственный долг и стоимость облигаций внешнего государственного займа является сходной. Это позволило сформировать базу сценариев возможного поведения экономик под влиянием процессов распространения кризисных явлений на основе макропоказателей, характеризующих состояние финансового и торгового каналов распространения.