Основной научной проблемой, лежащей в основе проекта является разработка новых методов анализа данных, в частности, новых методов машинного обучения и математической оптимизации, и их применение к современным экономическим проблемам.
Исследование проводилось по следующим направлениям:
1. Разработка торговой стратегии на финансовом рынке, в частности рынке криптовалют с использованием агентов с фиксированным стратегиям и агента со стратегией самообучения. Для моделирования поведения такого агента использовались алгоритмы глубокого обучения с подкреплением, а именно градиент глубокой детерминированной политики (DDPG).
2. Разработка и использование методов машинного обучения в спортивной и игровой аналитике. Предложена методология применения графовых нейронных сетей (GNN) для анализа и предсказания результатов в киберспорте. Предиктивные модели использовались для прогнозирования исходов матчей на турнирах Lima Major 2023 и ESL One Berlin Major 2023 на основе предматчевой статистики. Предиктивная модель с использованием GNN демонстрирует наилучшую результативность с точки зрения значений метрик качества.
Разработан метод оценки эффективности хоккеистов на основе модели ожидаемых голов (XG) и модели ожидаемых голов в створ (XGoT). Показатели на основе XG и XGoT устраняют влияние случайной составляющей на итоговые оценки и справедливо с математической точки зрения вознаграждают или штрафуют игроков за бросковые события на льду. Разработанный подход был апробирован на play-by-play данных из 11887 хоккейных матчей, которые были сыграны в сезонах 2019 / 2020, 2020 / 2021, 2021 / 2022. Был построен алгоритм бинарной классификации с использованием градиентного бустинга. Результаты моделирования были проинтерпретированы и доказана корректность логики их построения.
Разработан метод оценки компетенций игроков бизнес-симуляций на основе журнала логов игры, куда заносятся решения, принятые каждым игроком по каждому шагу игры. Модель обучалась на основе оценок компетенций игроков экспертами. Использование мета-алгоритма, учитывающего входные данные разных типов, дало возможность улучшить метрики качества построенных оценок.
3. Построение эконометрических моделей и моделей машинного обучения для проверки гипотез о влиянии оценок экспертов на потребительские оценки вина и как следствие на его рейтинг (популярность). Был проведен сбор данных по пользовательским оценкам вин за большой временной период и по ценам на различные вина. С помощью семантического анализа было проведено выделение ключевых тем в онлайн-отзывах пользователей с для дальнейшей проверки сформированных гипотез.
Основная научная задача, лежащая в основе данного проекта, заключается в разработке новых методов анализа данных, включая методы машинного обучения и математической оптимизации, и их применение для решения актуальных экономических проблем.
В рамках исследования были проведены следующие направления работы:
- Разработка торговой стратегии на финансовом рынке, включая рынок криптовалют, с использованием агентов с фиксированными стратегиями и агента со стратегией самообучения. Для моделирования поведения таких агентов были применены алгоритмы глубокого обучения с подкреплением.
- Использование методов машинного обучения в спортивной и игровой аналитике. Была предложена методология применения графовых нейронных сетей для анализа и предсказания результатов в киберспорте. Разработан метод оценки эффективности хоккеистов на основе модели ожидаемых голов. Полученные результаты были проинтерпретированы для использования менеджерами для принятия врешений в области трансферной политики. Разработаны методы оценки компетенций игроков бизнес-симуляций на основе журнала игры.
- Построение эконометрических моделей и моделей машинного обучения для проверки гипотез о влиянии оценок экспертов на потребительские оценки вина и его рейтинг (популярность). Для этого были собраны данные по пользовательским оценкам вин за большой провежуток врмени и проверены гипотезы о формировании споса на вина.
1. Опубликована статья Mansurov K., Semenov A., Grigoriev D., Radionov A., Ibragimov R. Impact of self–learning based high–frequency traders on the stock market //Expert Systems with Applications. – 2023. – С. 120567., журнал Scopus, Q1.
В рамках данного исследования была сформулирована цель разработки инновационных методов анализа данных, включая новейшие методы машинного обучения и математической оптимизации, и их последующее применение к актуальным экономическим вопросам.
В представленной статье основное внимание уделяется роли самообучающихся агентов в мультиагентных моделях финансовых рынков. Была разработана модель агентного моделирования финансового рынка, в которую, наряду с агентами, следующими фиксированным стратегиям, был включен агент с самообучением. Для моделирования поведения данного агента были применены алгоритмы глубокого обучения с подкреплением, в частности, глубокий детерминированный градиент политики (DDPG).
В ходе исследований было выявлено, что модель с самообучающимся агентом обеспечивает более точное приближение к реальному рынку, чем модель с классическими агентами. В частности, в отличие от модели с классическими агентами, модель с самообучающимся агентом не обладает такой выраженной “тяжелохвостностью”. Это свидетельствует о том, что для полного понимания рыночных процессов модели симуляции должны учитывать самообучающихся агентов, которые играют значительную роль на современных финансовых рынках.
В заключение статьи представлен пакет Python, разработанный в рамках реализации исследования. Этот пакет позволяет моделировать финансовый рынок, создавать собственных агентов и оценивать их влияние на рынок.
Таким образом, выполненная работа и написанная статья полностью соответствуют поставленной задаче проекта. Были успешно разработаны и применены новые методы анализа данных и машинного обучения к современным экономическим проблемам.
Развитие результатов данного исследования докладывалось Мансуровым К. на 7th edition of International Workshop in Financial Markets and Nonlinear Dynamics (FMND), 1-2 июня, 2023 в Париже. Тема доклада Impact of Self–Learning based High–Frequency Traders on the Stock Market.
2. Принята к публикации статья Mansurov K., Semenov A., Grigoriev D., Radionov A., Ibragimov R. “Cryptocurrency exchange simulation” // Computational Economics, журнал Scopus, Q2.
В данной работе предложен подход, основанный на использовании передовых алгоритмов машинного обучения для моделирования финансовых рынков, который был адаптирован и применен к рынку криптовалют. Эти рынки отличаются большей активностью и, как правило, более высокой волатильностью, что привлекает трейдеров, готовых к большим рискам.
В рамках исследования была разработана модель на основе агентов с пятью различными стратегиями, некоторые из которых основаны на принципах искусственного интеллекта. Был проведен сравнительный анализ результатов работы построенной модели с результатами, полученными с использованием ранее предложенных моделей, а также с характеристиками реального рынка.
В результате анализа было выявлено, что наша модель с агентом, способным к самообучению, обеспечивает более точное приближение к реальному рынку, чем модель с классическими агентами. В частности, модель с самообучением лучше соответствует стилизованным фактам, наблюдаемым на реальном рынке. Таким образом, было продемонстрировано, что для глубокого понимания рыночных процессов модели симуляции должны учитывать самообучающихся агентов, которые играют значительную роль на современных фондовых рынках.
3. Опубликована статья Жариков Д.С., Меликов Т.Т., Григорьев Д.А. Разработка платформы для предиктивного анализа в киберспорте // Исследование различных направлений современной науки: естественные и технические науки: сборник материалов XXVIII-ой международной очно-заочной научно-практической конференции, Том 2. – 2023. – с. 10-12., РИНЦ.
В рамках исследования была разработана платформа, целью которой является предсказание исхода киберспортивных состязаний в игре “Dota 2”. Основой для этих прогнозов служат данные, собранные до начала матча. Кроме того, данная платформа предлагает оптимальный выбор внутриигровых персонажей для подготовки команды к предстоящему матчу.
Пользователи платформы получают возможность не только предсказывать исходы матчей, но и выбирать наиболее подходящих героев перед началом игры. Важно отметить, что платформа предусматривает возможность дообучения моделей на основе предматчевой статистики, что обеспечивает высокую точность прогнозов.
4. Опубликована статья Жариков Д.С., Меликов Т.Т., Григорьев Д.А. МЕТОДОЛОГИЯ ПРИМЕНЕНИЯ ГРАФОВЫХ НЕЙРОННЫХ СЕТЕЙ (GNN) В КИБЕРСПОРТЕ: АНАЛИЗ И ПРЕДСКАЗАНИЕ РЕЗУЛЬТАТОВ // В сборнике: Научные исследования современных ученых. Сборник материалов XXXI-ой международной очно-заочной научно-практической конференции. Москва, 2023. С. 99-102., РИНЦ.
В данной работе представлена методология, которая включает в себя применение графовых нейронных сетей (GNN) для анализа и прогнозирования результатов в киберспортивных состязаниях. Данная задача актуальна, так как киберспорт является динамично развивающейся отраслью с огромным экономическим потенциалом.
В статье подробно описывается процесс представления данных в форме графа, а также этапы построения и обучения модели GNN. Кроме того, проводится сравнительный анализ с базовыми моделями машинного обучения, что позволяет оценить эффективность и преимущества предложенного подхода.
5. Проведено исследование на тему Применение методов машинного обучения для оценки навыков игроков с помощью логов бизнес-симуляций. Использовалась методология Game-based assessment (GBA), которая позволяет оценивать навыки человека в естественных или смоделированных условиях его поведения, становясь практически невидимой для оцениваемого, таким образом снижая тревогу, которая может возникнуть при тестировании или прямой оценке. Был построен мета-классификатор (Meta-RF), который объединил результаты структурных признаков результатов игры и отдельных цепочек действий игроков. Модель можно применять в качестве первичной для оценки навыков новых игроков.
Результаты исследования докладывались на на Международной конференции «Моделирование в инженерном деле», МГТУ им. Н.Э. Баумана, 6 апреля 2023, тема доклада “Применение методов машинного обучения для оценки навыков игроков по логам бизнес-симуляции”.
По результатам исследования написана статья «Application of Machine Learning Methods to Assess Player Skills via Business Simulation Logs», соавторы Массалимова А., Вьюненко Л.Ф., направлена в журнал The Bottom Line.
6. Разработан метод оценки эффективности хоккеистов на основе модели ожидаемых голов (XG) и модели ожидаемых голов в створ (XGoT). Показатели на основе XG и XGoT устраняют влияние случайной составляющей на итоговые оценки и справедливо с математической точки зрения вознаграждают или штрафуют игроков за бросковые события на льду. Разработанный подход был апробирован на play-by-play данных из 11887 хоккейных матчей, которые были сыграны в сезонах 2019 / 2020, 2020 / 2021, 2021 / 2022. При построении моделей и подготовке данных важной является проблема отбора признаков и внутреннего переобучения. Обе проблемы были решены. Признаки анализировались и формировались на основе либо мнения эксперта, оценивающего игру, либо на основе объективных позиционных данных игры. Был построен алгоритм бинарной классификации с использованием градиентного бустинга. Результаты моделирования были проинтерпретированы с помощью подхода SHAP и доказана корректность логики их построения. Результаты исследования докладывались Шмаковым Н.Н. на 3rd International Conference on Econometrics and Business Analytics (iCEBAR 2023) в Ташкенте, 28 сентября 2023. Доклад Developing of the XG approach for evaluating hockey player efficiency.
7. Проведено исследование развития стратегий цифровой трансформации крупных компаний. Разработана модель сравнительно оценки стратегий. Текущие результаты исследования выложены в открытом репозитории SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4643308
8. Проводится исследование по выявлению факторов, влияющих на потребительские оценки вина. Сформирована методология исследования, проведен сбор данных. В настоящее время идет апробация моделей.
9. Подана заявка на грант РНФ: Конкурс 2024 года «Проведение фундаментальных научных исследований и поисковых научных исследований по поручениям (указаниям) Президента Российской Федерации» (междисциплинарные проекты). Руководитель проекта Скроботов А.А., объем финансирования 15 млн. руб.
10. Выигран грант РНФ: Конкурс на продление сроков выполнения проектов, поддержанных грантами Российского научного фонда по приоритетному направлению деятельности Российского научного фонда «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами» (45). Руководитель гранта Гадасина Л.В., объем привлеченного финансирования 7 млн. руб., грант № 20-18-00365-П на тему «Новые подходы к экономико-математическому моделированию современных рынков и производств», Pure ID 105235543.
1. Опубликована статья Mansurov K., Semenov A., Grigoriev D., Radionov A., Ibragimov R. Impact of self–learning based high–frequency traders on the stock market //Expert Systems with Applications. – 2023. – С. 120567., журнал Scopus, Q1.
2. Принята к публикации статья Mansurov K., Semenov A., Grigoriev D., Radionov A., Ibragimov R. “Cryptocurrency exchange simulation” // Computational Economics, журнал Scopus, Q2.
3. Опубликована статья Жариков Д.С., Меликов Т.Т., Григорьев Д.А. Разработка платформы для предиктивного анализа в киберспорте // Исследование различных направлений современной науки: естественные и технические науки: сборник материалов XXVIII-ой международной очно-заочной научно-практической конференции, Том 2. – 2023. – с. 10-12., РИНЦ.
4. Опубликована статья Жариков Д.С., Меликов Т.Т., Григорьев Д.А. МЕТОДОЛОГИЯ ПРИМЕНЕНИЯ ГРАФОВЫХ НЕЙРОННЫХ СЕТЕЙ (GNN) В КИБЕРСПОРТЕ: АНАЛИЗ И ПРЕДСКАЗАНИЕ РЕЗУЛЬТАТОВ // В сборнике: Научные исследования современных ученых. Сборник материалов XXXI-ой международной очно-заочной научно-практической конференции. Москва, 2023. С. 99-102., РИНЦ.
5. Проведено исследование на тему Применение методов машинного обучения для оценки навыков игроков с помощью логов бизнес-симуляций. Результаты исследования докладывались на на Международной конференции «Моделирование в инженерном деле», МГТУ им. Н.Э. Баумана, 6 апреля 2023, тема доклада “Применение методов машинного обучения для оценки навыков игроков по логам бизнес-симуляции”.
По результатам исследования написана статья «Application of Machine Learning Methods to Assess Player Skills via Business Simulation Logs», соавторы Массалимова А., Вьюненко Л.Ф., направлена в журнал The Bottom Line.
6. Разработан метод оценки эффективности хоккеистов на основе модели ожидаемых голов (XG) и модели ожидаемых голов в створ (XGoT). Результаты исследования докладывались Шмаковым Н.Н. на 3rd International Conference on Econometrics and Business Analytics (iCEBAR 2023) в Ташкенте, 28 сентября 2023. Доклад Developing of the XG approach for evaluating hockey player efficiency.
7. Проведено исследование развития стратегий цифровой трансформации крупных компаний. Разработана модель сравнительно оценки стратегий. Текущие результаты исследования выложены в открытом репозитории SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4643308
8. Проводится исследование по выявлению факторов, влияющих на потребительские оценки вина. Сформирована методология исследования, проведен сбор данных. В настоящее время идет апробация моделей.
9. Подана заявка на грант РНФ: Конкурс 2024 года «Проведение фундаментальных научных исследований и поисковых научных исследований по поручениям (указаниям) Президента Российской Федерации» (междисциплинарные проекты). Руководитель проекта Скроботов А.А., объем финансирования 15 млн. руб.
10. Выигран грант РНФ: Конкурс на продление сроков выполнения проектов, поддержанных грантами Российского научного фонда по приоритетному направлению деятельности Российского научного фонда «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами» (45). Руководитель гранта Гадасина Л.В., объем привлеченного финансирования 7 млн. руб., грант № 20-18-00365-П на тему «Новые подходы к экономико-математическому моделированию современных рынков и производств», Pure ID 105235543.
Прохоров А.Б.: Осуществлялось общее руководство проектом, консультирование участников по задачам применения методов машинного обучения, по теоретическим и практическим аспектам исследований.
Гадасина Л.В.: Проведено исследование на тему Применение методов машинного обучения для оценки навыков игроков с помощью логов бизнес-симуляций. Исследование проводилось путем анализа логов бизнес-симулятора "Корпоративное управление", который имитирует управление предприятием на реальном рынке. Данные были проанализированы с использованием программного обеспечения Python с использованием обоснованных теоретических методик. Предложен подход к применению методов машинного обучения для анализа журналов бизнес-моделирования, основанный на построении метаалгоритма, учитывающего различные типы входных данных. По результатам исследования написана статья в соавторстве с Массалимовой А., Вьюненко Л.Ф. Статья направлена в журнал The Bottom Line. В настоящее время находится на рецензировании. Проведено исследование развития стратегий цифровой трансформации крупных компаний. Разработана модель сравнительно оценки стратегий. Текущие результаты исследования выложены в открытом репозитории SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4643308
В рамках проекта по разработке новых методов анализа данных, в частности, новых методов машинного обучения и математической оптимизации, и их применение к современным экономическим проблемам, участники проекта Д.А. Григорьев, Д.С. Жариков и К. Д. Мансуров выполнили следующую работу:
Д.А. Григорьев проводил исследования по предиктивной аналитике финансовых рынков и киберспорта. Его вклад включает:
- Формулирование ключевых вопросов, которые требуют исследования, и определение целей, которые должны быть достигнуты в результате исследования.
- Выбор наиболее подходящих методов и техник для анализа данных и достижения целей исследования.
- Анализ данных, полученных в результате исследования, и их интерпретацию в контексте поставленных исследовательских вопросов и целей.
- Формулирование ключевых идей и выводов, полученных в результате исследования, и их представление в форме научной статьи.
По результатам исследований опубликованы 3 статьи, одна принята к печати.
Шмаков Н.Н.: Проводил исследование на тему Разработка XG-подхода для оценки эффективности хоккеистов. Главное преимущество исследования заключается в том, что оно предоставляет точную, всестороннюю и поддающуюся расшифровке информацию о каждом игроке в составе команды и позволяет сравнить его с любым игроком на трансферном рынке. Результаты исследования докладывались на 3rd International Conference on Econometrics and Business Analytics (iCEBA), 28 сентября - 1 октября 2023.
А.А. Скроботов совместно с В.И. Зинченко проводили исследование по выявлению факторов, влияющих на потребительские оценки вина. Их вклад включает:
Сбор и анализ литературных источников на схожие темы исследования. Формулирование ключевых гипотез и целей исследования. Выбор наиболее подходящих методов и моделей для анализа данных и проверки гипотез. Сбор данных с приложения Vivino по пользовательским оценкам за большой временной период и с веб-ресурса wine-searcher по ценам на различные вина с различными винтажами. Проведение проверки корректности и полноты собранных данных. Проведение первичного анализа данных, собранных в течение исследования, и их визуальная интерпретация. Построение различных эконометрических моделей для проверки гипотез о влиянии оценок экспертов на потребительские оценки вина, а в следствии и на рейтинг (популярность) вина.
| Краткое название | GZ-2023 |
|---|
| Акроним | GZ_MDF_2023 - 1 |
|---|
| Статус | Завершено |
|---|
| Эффективные даты начала/конца | 1/01/23 → 31/12/23 |
|---|
