КОМПАНИЯЛАРДЫҢ ҚАРЖЫЛЫҚ КӨРСЕТКІШТЕРІН МАШИНАЛЫҚ ОҚЫТУ ЖӘНЕ УАҚЫТ ҚАТАРЛАРЫН ТАЛДАУ ӘДІСТЕРІ НЕГІЗІНДЕ БОЛЖАУ
DOI:
https://doi.org/10.56132/2791-3368-2026-2-66-204-214Кілт сөздер:
машиналық оқыту, уақыт сериясын талдау, қаржылық болжау, компанияның кірісі, Random Forest, XGBoost, ARIMA, LSTM, макроэкономикалық көрсеткіштерАңдатпа
Мақалада Машиналық оқыту әдістерін және уақыт серияларын талдауды қолдана отырып, компаниялардың қаржылық көрсеткіштерін болжау міндеті қарастырылады. Зерттеудің өзектілігі жоғары нарықтық белгісіздік пен экономиканы цифрландыру жағдайында қаржылық болжаудың дәлдігін арттыру қажеттілігімен байланысты. Зерттеудің мақсаты қаржылық және макроэкономикалық мәліметтер негізінде компаниялардың тоқсандық кірісін болжау модельдерін салыстырмалы талдау болып табылады. Зерттеу макроэкономикалық көрсеткіштерді, соның ішінде тұтыну бағаларының индексін, АҚШ мемлекеттік облигацияларының кірістілігін, Brent мұнай бағасын және Nasdaq Composite және S&P 500 қор индекстерін пайдалана отырып, 2008-2025 жылдар аралығындағы 21 ашық компанияның тоқсандық деректерінде орындалды. Болжау үшін Arima, SARIMA, Prophet, сызықтық регрессия, Support Vector Regression, Random Forest, XGBoost және Long Short-Term Memory модельдері қолданылады. Деректерді алдын ала өңдеу, кідіріс белгілерін қалыптастыру және макроэкономикалық факторларды біріктіру орындалды. Модельдердің сапасы RMSE, MAE, MAPE және sMAPE көрсеткіштерімен бағаланды. Нәтижелер ансамбльдік Машиналық оқыту алгоритмдері классикалық уақыт қатарының үлгілерімен салыстырғанда жоғары болжау дәлдігін қамтамасыз ететінін көрсетті. Ең тұрақты нәтижелерді Random Forest көрсетті. Оңтайлы модельді таңдау салалық ерекшелікке және компанияның уақыт сериясының ерекшеліктеріне байланысты екендігі анықталды. Әзірленген тәсілді қаржылық жоспарлау, инвестициялық талдау және басқару шешімдерін қолдау үшін пайдалануға болады.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
1. Sonkavde, G., Dharrao, D. S., Bongale, A. M., Deokate, S. T., Doreswamy, D., & Bhat, S. K. (2023). Forecasting stock market prices using machine learning and deep learning models: A systematic review, performance analysis and discussion of implications. International Journal of Financial Studies, 11(3), 94.
2. Zheng, H., Wu, J., Song, R., Guo, L., & Xu, Z. (2024). Predicting financial enterprise stocks and economic data trends using machine learning time series analysis.
3. Li, A. W., & Bastos, G. S. (2020). Stock market forecasting using deep learning and technical analysis: a systematic review. IEEE access, 8, 185232-185242.
4. Bakumenko, A., & Elragal, A. (2022). Detecting anomalies in financial data using machine learning algorithms. Systems, 10(5), 130.
5. Protiviti (2018) Seeing the Future More Clearly: How Machine Learning Can Transform the Financial Forecasting Process.
6. Sen, J. and Mehtab, S. (eds.) (2022) Machine Learning in the Analysis and Forecasting of Financial Time Series. Newcastle upon Tyne: Cambridge Scholars Publishing.
7. Federal Reserve Bank of St. Louis (2026) FRED: Federal Reserve Economic Data. fred.org
8. Refinitiv (2026) Refinitiv Data Platform. lseg.com
9. Random Forest Algorithm in Machine Learning. geeksforgeeks.org
