Константин Владимирович КРИНИЧАНСКИЙответственный автор, доктор экономических наук, профессор кафедры финансовых рынков и финансового инжиниринга; главный научный сотрудник Института финансовых исследований финансового факультета, Финансовый университет при Правительстве РФ, Москва, Российская Федерация kkrin@ya.ru https://orcid.org/0000-0002-1225-7263 SPIN-код: 3366-2850
Артем Алексеевич КОБЗЕВглавный специалист отдела методологии рыночных рисков НКЦ, ПАО «Московская Биржа», Москва, Российская Федерация artem.kobzev.2001@mail.ru ORCID id: отсутствует SPIN-код: отсутствует
Предмет. Алгоритмы градиентного бустинга для прогнозирования кредитных спредов корпоративных облигаций на российском рынке долговых инструментов. Цели. Разработка и эмпирическая проверка концепции построения прогнозных моделей кредитных спредов. Методология. Применены методы многомерного статистического анализа, регрессионного моделирования и ансамблевого машинного обучения. В качестве основного инструментария использованы модели градиентного бустинга. Для оценки вклада и значимости предикторов применена методология интерпретации SHapley Additive exPlanations. Результаты. Установлено, что использование ансамблевых моделей градиентного бустинга обеспечивает значительное повышение точности прогнозирования кредитных спредов по сравнению с традиционными регрессионными подходами. Разработанные модели выявляют сложные нелинейные взаимодействия между факторами различного уровня и демонстрируют устойчивость в периоды рыночных шоков. Предложены структурированные подходы к интеграции микро- и макроэкономических индикаторов в единую модель прогнозирования. Выводы. Градиентный бустинг, в частности модель CatBoost, эффективен в качестве инструмента анализа и прогнозирования кредитных спредов. Обоснована применимость метода в задачах финансовой аналитики, риск-менеджмента и поддержки инвестиционных решений. К ограничивающим факторам следует отнести зависимость качества прогнозов от полноты и достоверности исходных данных, а также необходимость регулярной актуализации моделей. Возможно внедрение предложений в системы автоматизированного принятия инвестиционных решений, кредитного скоринга и стресс-тестирования, направленных на повышение прозрачности и устойчивости российского рынка корпоративного долга.
Козлов С.В., Седенков С.А. Анализ LSTM и GRU моделей для построения прогнозов временных рядов // International Journal of Open Information Technologies. 2024. Т. 12. № 7. С. 43–50. EDN: DMKFKO
Карминский А.М., Дьячкова Н.Ф. Исследование взаимосвязи кредитных циклов с изменениями кредитных рейтингов // Журнал Новой экономической ассоциации. 2020. № 4. С. 138–161. DOI: 10.31737/2221-2264-2020-48-4-6 EDN: LVYGXP
Косников С.Н., Демченко Т.С., Молчанов Ф.А. Экономические циклы и их влияние на финансовые рынки // Естественно-гуманитарные исследования. 2025. № 2. С. 588–593. EDN: ERHWUU
Ерофеева Т.М. Прогнозирование спреда доходности на российском долговом рынке // Вестник Московского университета. Серия 6: Экономика. 2021. № 6. С. 54–76. DOI: 10.38050/0130010520216.3 EDN: MTFLWJ
Gu S., Kelly B., Xiu D. Empirical asset pricing via machine learning. Review of Financial Studies, 2020, vol. 33, iss. 5, pp. 2223–2273. DOI: 10.1093/rfs/hhaa009 EDN: DCWZEU
Wang S., Chen B. Credit card attrition: An overview of machine learning and deep learning techniques // Информатика. Экономика. Управление. 2023. Т. 2. № 4. С. 134–144. DOI: 10.47813/2782-5280-2023-2-4-0134-0144 EDN: YQLKTW
Коростелкина И.А., Дедкова Е.Г., Коростелкин М.М., Маматкулова О.И. Применение методов оценки и прогнозирования кредитной деятельности в системе управления рисками в коммерческом банке // Финансовые рынки и банки. 2025. № 5. С. 255–262. DOI: 10.24412/2658-3917-2025-5-255-262 EDN: NXQNXU
Самохвалова К.В. Особенности развития рынка корпоративных облигаций в современной России // Международный журнал гуманитарных и естественных наук. 2020. № 3-2. С. 60–65. DOI: 10.24411/2500-1000-2020-10262 EDN: JFUBHH
Machado M.R., Osterrieder J., Chen D. Forecasting Commercial Customers Credit Risk Through Early Warning Signals Data: A Machine Learning based Approach. SSRN Electronic Journal, 2024. DOI: 10.2139/ssrn.4754568
Галимнуров А.А., Исмагилова А.С. Применение математического моделирования для прогнозирования спреда корпоративных облигаций // Инженерный вестник Дона. 2025. № 2. С. 721–737. EDN: PDEGSR
Шильцина Е.А. Применение машинного обучения для прогнозирования временных рядов // Вестник науки. 2025. Т. 2. № 5. С. 953–960. EDN: GHFRIT
Aghayev N.B., Nazarli D.Sh. Hybrid forecasting model of non-scheduled passenger air transportation // Научный вестник МГТУ ГА. 2025. Т. 28. № 2. С. 8–21. DOI: 10.26467/2079-0619-2025-28-2-8-21 EDN: GMDLDM
Dzhunkeev U. Forecasting inflation in Russia using gradient boosting and neural networks. Russian Journal of Money and Finance, 2024, vol. 83, no. 1, pp. 53–76. EDN: IANEFK
Berg F., Kölbel J.F., Rigobon R. Aggregate confusion: The divergence of ESG ratings. Review of Finance, 2022, vol. 26, iss. 6, pp. 1315–1344. DOI: 10.1093/rof/rfac033 EDN: BRYCLT
Oukhouya H., Kadiri H., El Himdi Kh., Guerbaz R. Forecasting International Stock Market Trends: XGBoost, LSTM, LSTM-XGBoost, and Backtesting XGBoost Models. Statistics, Optimization and Information Computing, 2023, vol. 12, iss. 1, pp. 200–209. DOI: 10.19139/soic-2310-5070-1822 EDN: QVDXWM
Abbasov R. Revolutionizing risk management in banking: Implementation of AI/ML-based gradient boosting machines (GBM) and random forest models for credit risk management. International Journal of Research in Finance and Management, 2023, vol. 6, iss. 1, pp. 441–444. DOI: 10.33545/26175754.2023.v6.i1d.324 EDN: SBKDCJ
Konstantinov A.V. Deep gradient boosting for regression problems. Computing, Telecommunications and Control, 2021, vol. 14, iss. 3, pp. 7–19. DOI: 10.18721/JCSTCS.14301 EDN: CZBFQN
Peykani P., Peymany Foroushany M., Tanasescu C. et al. Evaluation of Cost-Sensitive Learning Models in Forecasting Business Failure of Capital Market Firms. Mathematics, 2025, vol. 13, iss. 3. DOI: 10.3390/math13030368 EDN: LDAOKC
