ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ АНСАМБЛЕВИХ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В ЗАДАЧАХ ФІНАНСОВОГО ПРОГНОЗУВАННЯ

Анотація

У статті досліджено можливості застосування ансамблевих алгоритмів машинного навчання для прогнозування фінансових показників підприємства. Актуальність теми зумовлена необхідністю підвищення точності фінансового прогнозування в умовах нестабільності зовнішнього середовища, багатофакторності економічних процесів та зростання ролі цифрових технологій у підтримці управлінських рішень. У роботі розглянуто сутність ансамблевого підходу в машинному навчанні та його переваги порівняно з окремими базовими моделями. Проаналізовано особливості використання алгоритмів Random Forest, Gradient Boosting, AdaBoost, Extra Trees та XGBoost у задачах прогнозування фінансових показників. Сформовано експериментальну постановку дослідження, яка передбачає підготовку вхідних даних, побудову моделей, оцінювання результатів за метриками MAE, RMSE, MAPE та R², а також інтерпретацію отриманих результатів. Наведено порівняльну характеристику ансамблевих алгоритмів за критеріями точності, стійкості до шуму, чутливості до налаштування параметрів та придатності до практичного використання в аналітичних системах підприємства. Встановлено, що ансамблеві методи забезпечують вищу якість прогнозування порівняно з традиційними підходами завдяки здатності враховувати нелінійні залежності у фінансових даних та зменшувати ризик перенавчання. Обґрунтовано доцільність використання ансамблевих алгоритмів у складі інтелектуальних систем підтримки прийняття рішень для прогнозування доходів, витрат, прибутку та інших ключових фінансових індикаторів. Практичне значення дослідження полягає у можливості використання запропонованого підходу під час розроблення інформаційно-аналітичних систем підприємств, FinTech-рішень та цифрових платформ фінансового моніторингу.