Прогнозування прибутковості страхових компаній на основі нейромережевих моделей

Анотація

Актуальність дослідження зумовлена зростанням потреби у вдосконаленні аналітичних інструментів прогнозування прибутковості страхових компаній в умовах воєнних ризиків, структурних змін та нестабільності фінансового ринку, оскільки сучасні методи статистичного аналізу втрачають ефективність у середовищі, де взаємозв’язки між показниками мають нелінійний характер. З огляду на це, особливої значущості набуває застосування штучних нейронних мереж, здатних моделювати складні фінансові закономірності та підвищувати точність прогнозів. Метою статті є порівняльний аналіз ефективності основних архітектур нейронних мереж у прогнозуванні прибутковості страхових компаній, визначення їхніх аналітичних характеристик, можливостей адаптації до волатильного ринкового середовища та доцільних сфер застосування. У роботі використано методи системного та порівняльного аналізу, що дали змогу узагальнити наукові підходи до використання штучного інтелекту у фінансовому прогнозуванні, виокремити переваги й обмеження різних нейромережевих моделей. Побудовані порівняльні таблиці допомогли зіставити архітектури за критеріями стійкості до змін середовища, типом даних, горизонтом прогнозу та рівнем інтерпретованості результатів. Результати аналізу свідчать, що базові MLP-моделі є ефективними для короткострокових прогнозів у стабільних умовах, рекурентні мережі (RNN, LSTM, GRU) дієві для моделювання часових закономірностей і циклічних змін, однак  найвищу точність і гнучкість прогнозів у кризових ситуаціях забезпечують гібридні нейромережі (Hybrid NN). Водночас автокодери та нейро-нечіткі системи виконують допоміжні функції, підвищуючи якість даних і достовірність оцінок. Висновки. Практичне значення отриманих результатів полягає в можливості використання порівняльних характеристик моделей як методичного орієнтира для вибору оптимальної архітектури під час створення інтелектуальних систем управління фінансовою стійкістю страхових компаній. Подальші дослідження мають бути спрямовані на інтеграцію макроекономічних факторів, сезонності та воєнних ризиків у структуру нейромережевих прогнозних систем.