CC BY
7УДК 336
Емельянова Ю.Р.
магистр
Уфимский университет науки и технологий (г. Уфа, Россия)
ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ РЕЗУЛЬТАТОВ КОМПАНИИ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВОЙ МОДЕЛИ
Аннотация: в работе представлена нейросетевая модель на основе переменных, отобранных при корреляционно-регрессионном методе, рассчитано прогнозное значение чистой прибыли на 1-4кв. 2023г. в ПАО «ОДК-УМПО»
Ключевые слова: нейросетевая модель, чистая прибыль, прогнозирование.
Воспользуемся прикладным пакетом нейронных сетей, который представлен в программе STATISTICA.
В качестве зависимой переменной укажем чистую прибыль а в качестве независимых - совокупность выбранных по результатам регрессионного анализа внутренних и внешних факторов (х1-выручка, х2-управленческие расходы, х3-доходы от вложения в др. организации, х4-курс рубля, х5-цена титана).
Итоги моделей (Таблица данных! 1
N Архитектура Производитель ность обуч. Контр, пронзводител ьность. Тест производитепьн ость. Ошибка обучения Контрольная ошибка Тестовая ошибка Алгоритм обучения Функция ошибки
7 MLP £-5-1 0.999872 0.997773 0.049940 0 039677 BFGS 47 Сум квадр
6 MLP 5-8-1 0.656598 0.996912 0.484882 0,157505 BFGS 1 Сум квадр.
8 MLP 5-5-1 0.997365I 0.96 9 742I 0.049570 0.226157 BFGS42 Сум квадр.
1 MLP 5-11-1 0.999597 0.953042 0.471767 0.261184 BFGS 30 Сум квадр
Э MLP 5-7-1 0.997485 0,935613 0.461108 0 372656 BFGS 46 Сум квадр
10 MLP 5-3-1 0.996146 0,903077 0,088153 0 437451 BFGS 0 Сум квадр.
4 MLP 5-3-1 0.687527 0.898042 0.928729 0 510416 BFGS 2 Сум квадр
5 MLP 5-3-1 0.807941 0,889291 0 525836 0 554172 BFGS 5 Сум квадр.
2 MLP 5-7-1 0,783241 0,870565 0,057978 0 669031 BFGS 3 Сум квадр.
3 MLP 6-5-1 0.908319 0,867248 0 815254 0.930270 BFGS 1 Сум квадр
Рис. 1. Полученные нейросетевые модели.
Рассмотрим несколько моделей с наибольшей производительностью. В данном случае это седьмая, первая, девятая, восьмая. Сравним их с фактическими значениями.
Линейный график для нескольких переменных Таблица данных20 5v*i2c
Рис. 2. Линейный график выборок c фактическими значениями.
Как видно на графике ближе к исходным данным седьмая выборка MLP
5-5-1.
Составим прогноз по выбранной модели MLP 5-5-1.
Набпюд номер # Таблица предсказанных значений для у (Таблица данных1) Выборки Обучающая. Тестовая
Выборка У Целевая у - Выход 7. М1.Р 5-5-1 у - Остатки 7. М1.Р 5-5-1 у - Стд. Ост. 7. М1.Р 5-5-1 у - Абс. Ост 7, М1.Р 5-5-1 у - Квадараты Ост. 7. М1.Р 5-5-1
1 Обучающая! 383624 5638942 651574 5674289 -262950 -2.8583 262950 6 914251Е+10
2 Тестовая -35347 -0,3842 35347 1 249403Е+09
3 Обучающая 5625578 5666733 -41155 -0.4474 41155 1 693724Е+09
4 Обучающая 6803814 6857041 -53227 -0,5786 53227 2.833163Е+09
5 Обучающая 2105784 1904991 200793 2,1827 200793 4.031773Е+10
е Тестовая 4482536 6245636 -1763100 -19,1652 1763100 3.108523Е+12
7 Обучающая 3390231 3420377 -30146 -0,3277 30146 9.088001Е+08
8 Тестовая 18319658 16715535 1604124 17,4371 1604124 2,57321 ЗЕ+12
Э Обучающая 12213106 12173926 39179 0,4259 39179 1.535014Е+09
10 Обучающая 1555233 1565519 -10236 -0.1118 10286 1 058034Е+08
11 Обучающая 4316507 4278626 37881 0,4118 37881 1.434950Е+09
12 Обучающая 2482253 2256599 225664 2.4530 225664 5.092412Е+10
13 Обучающая 4872765 4853659 19106 0,2077 19106 3.650476Е+08
Рис. 3. Прогноз чистой прибыли (убытка) по построенной нейросетевой модели.
Прогнозируемое значение чистой прибыли (убытка) на 1 квартал 2023 года составило 4 853 659 тыс. руб., разница между фактическим и прогнозируемым значениями составила 19 106 тыс. руб. или 0,4 %.
Таким образом, можно сделать вывод, что данная модель пригодна для прогнозирования дальнейших результатов.
Для более эффективного прогнозирования, как правило, требуется некоторый минимум наблюдений.
Однако бывают такие обстоятельства, когда такое количество статистических данных недоступно.
Можно отметить, что качественная модель прогнозирования с использованием нейронной сети может быть построена даже в условиях нехватки данных. При этом модель будет уточняться при поступлении в нее актуализированных данных.
Составим прогнозное значение чистой прибыли (убытка) ПАО «ОДК-УМПО» на 6 периодов вперед.
Для этого также воспользуемся программой STATISTICA и уже сохраненной моделью с обученной ранее нейронной сетью.
Набпюд номер # Таблица предсказанных значений для у (Таблица данных Нейросеть: 1.MLP 5-5-1 Выборки: Пропуиц.значения
У Целевая у - Выход 1.MLP 5-5-1
1 6781838
2 3780874
3 8237632
4 1531358
5 1220092
6 2141105
Рис. 4. Таблица с предсказанными данными чистой прибыли (убытка)
ПАО «ОДК-УМПО»
Получили таблицу с предсказанными значениями.
Таблица 1. Сравнение фактических и прогнозных значений чистой прибыли (убытка).
2 кв. 2023 3 кв. 2023 4 кв. 2023
Фактическое значение 6 456 425 3 930 976 -
Прогнозное значение 6 781 838 3 780 874 8 237 634
Ошибка прогноза 5,04% 3,8% -
Стоит обратить внимание, что данный прогноз необходимо воспринимать как базовый, так как прогнозные оценки получены исходя из условий деятельности, которые наблюдались в прошлом, а в рыночных условиях такое само собой невозможно. Полученный итоговый статистико-математический результат должен проверяться и дополняться человеком.
СПИСОК ЛИТЕРАТУРЫ:
1. Боровиков В.П. Нейронные сети STATISTICA Neural Networks. Методология и технологии современного анализа данных - М.: Финансы и статистика, 2008 г. - 392 с.;
2. Шарипова Р.Н. Количественные методы финансового прогнозирования: практикум для студентов всех форм обучения / Р.Н. Шарипова. - Уфа: УГАТУ, 2015.
Emelyanova Y.R.
Ufa University of Science and Technology (Ufa, Russia)
FORECASTING FINANCIAL RESULTS OF COMPANY USING A NEURAL NETWORK MODEL
Abstract: the paper presents a neural network model based on variables selected using the correlation and regression method, and the forecast value of net profit for the 1st-4th quarter of2023 in PJSC UEC-UMPO is calculated
Keywords: neural network model, net profit, forecasting.
