ОПРЕДЕЛЕНИЕ РАВНОВЕСИЯ ЦЕНЫ ТОРГОВЛИ МЕЖДУ ПОКУПАТЕЛЕМ И ПРОДАВЦОМ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
DOI:
https://doi.org/10.52167/1609-1817-2024-134-5-255-268Ключевые слова:
покупка, цена, равновесие, алгоритм, программный код, уравнение линейной регрессии, продажаАннотация
В статье с использованием эконометрических, статистических методов и алгоритмов и программных кодов представлена расчетная модель искусственного интеллекта для определения баланса между предложением производителя и спросом потребителя и анализа фаз накопления и расхождения. Данные взяты с официального сайта Организации экономического сотрудничества и развития. Получены исторические данные, показывающие продажи и покупки потребителями финансовых и страховых продуктов с 1995 по 2018 год для Республики Казахстан. С помощью алгоритма и программных кодов расчетной модели искусственного интеллекта для платежей в сфере финансов и страхования национальной экономики страны установлены условия накопления и расхождения в рамках взаимодействий между уравнением функции спроса покупателя и предложения продавца и ценой спроса, возникшей в ходе торговли. Разработанная модель выявляет важные закономерности динамики спроса и предложения, предоставляя критически важные сведения о точке равновесия рынка. Этот подход, вероятно, будет полезен при разработке научно обоснованных рекомендаций и дорожных карт для лиц, принимающих решения, для оптимизации межотраслевых отношений между спросом и предложением финансовых и страховых продуктов. В этом исследовании представлен новый алгоритм интеграции методов искусственного интеллекта с экономическими данными для улучшения принятия решений, связанных с балансом спроса и предложения финансовых и страховых продуктов.
Библиографические ссылки
[1] Сламқұл, Ж. Қаржы саласында жасанды интеллект технологияларын енгізу перспективалары. DSpace Home, Семинарлар, конференциялар материалдары, 2023. http://rep.enu.kz/handle/enu/13467
[2] Болсынбек, М. Қ., Ерниязов, Р. А., Ауесбекова, А. А., Жумажанова, М. Т., & Байдаирова, К. Б. Бухгалтериядағы жасанды интеллект: артықшылықтары мен қиындықтары. ҚР ҰҒА хабаршылары, 406(6), 2023, 333-344.
[3] Нуралдинова, М. Қазақстандағы жасанды интеллект дамуының негізгі тенденциялары. Студенттер мен жас ғалымдардың «ǴYLYM JÁNE BILIM – 2023» XVIII Халықаралық ғылыми конференциясының баяндамалар жинағы. 2023. https://rep.enu.kz/bitstream/handle/enu/11710/Merged-20231129-154402.pdf?sequence=1
[4] Аманжан, С. А., & Тажикенова, С. К. Мемлекеттік аудит органдарының қызметіндегі жасанды интеллект технологиялары. DSpace Home, Семинарлар, конференциялар материалдары, 2024. Қазақстанның тұрақты экономикалық даму моделін құру жағдайындағы қаржы жүйесі. http://rep.enu.kz/handle/enu/13671.
[5] Саменова, А. Ж. Қазақстан экономикасына жасанды интеллекттің әсері. Endless light in science, 2024, 11(1 июнь), 3-6.
[6] Mishra, D., Das, S., & Patnaik, R. Application of AI Technology for the Development of Destination Tourism towards an Intelligent Information System. Economic Affairs, 69(2), 2024. 1083-1095.
[7] Garekwe, L., Ferreira-Schenk, S. J., & Dickason-Koekemoer, Z. (2024). Modelling Factors Influencing Bank Customers’ Readiness for Artificial Intelligent Banking Products. International Journal of Economics and Financial Issues, 14(1), 73-84.
[8] Shi, L., Guo, X., Fenu, A., & Wang, B. H. (2023). The underlying coherent behavior in intraday dynamic market equilibrium. China Finance Review International, 13(4), 568-598.
[9] Sun, Y., & Zhang, Q. (2024). Navigating the Digital Transformation of Commercial Banks: Embracing Innovation in Customer Emotion Analysis. Journal of the Knowledge Economy, 1-22.
[10] Wei, T., Wu, H., & Chu, G. (2023). Is ChatGPT competent? Heterogeneity in the cognitive schemas of financial auditors and robots. International Review of Economics & Finance, 88, 1389-1396.
[11] Han, X., Xiao, S., Sheng, J., & Zhang, G. (2024). Enhancing Efficiency and Decision-Making in Higher Education Through Intelligent Commercial Integration: Leveraging Artificial Intelligence. Journal of the Knowledge Economy, 1-37.
[12] Sun, J., Li, J., Fujita, H., & Ai, W. (2023). Multiclass financial distress prediction based on one‐versus‐one decomposition integrated with improved decision‐directed acyclic graph. Journal of Forecasting, 42(5), 1167-1186.
[13] Chatterjee, R., Chowdhury, S., Das, N., Bandyopadhyay, A., & Hoque, M. (2023). Private EdTech Companies in India: The Techno-Financial Aspects. Economic Affairs, 68(4), 2131-2144.
[14] Input-Output Tables (IOTs). Organization for Economic Co-operation and Development Stat. Available online: https://stats.oecd.org/Index.aspx?DataSetCode=IOTS_2021 (accessed on 10 September 2024).
[15] Greene, W.H. Econometric Analysis. Eighth Edition. New York University: Prentice Hall, New Jersey, pp. 1-1168 (2018).
[16] Shinde, R., Patil, S., Kotecha, K., & Ruikar, K. (2021). Blockchain for securing ai applications and open innovations. Journal of Open Innovation: Technology, Market, and Complexity, 7(3), 189.
[17] Grishina, N., Lucas, C. A., & Date, P. (2017). Prospect theory–based portfolio optimization: an empirical study and analysis using intelligent algorithms. Quantitative Finance, 17(3), 353-367.
[18] Khashei, M., & Mirahmadi, A. (2015). A soft intelligent risk evaluation model for credit scoring classification. International Journal of Financial Studies, 3(3), 411-422.
[19] Danėnas, P., & Garšva, G. (2009). Support vector machines and their application in credit risk evaluation process. Transformations in Business and Economics, 8(3), 46-58.
[20] Ho, W. R. J., Liu, C. H., & Chen, H. W. (2010). Research of building intelligent investment decision mode for investment portfolio—using Taiwan electronic stock as an example. Review of Pacific Basin Financial Markets and Policies, 13(04), 621-645.
[21] Foo, C. T. (2008). Conceptual lessons on financial strategy following the US sub‐prime crisis. The Journal of Risk Finance, 9(3), 292-302.
[22] Pan, H., Sornette, D., & Kortanek, K. (2006). Intelligent finance – an emerging direction. Quantitative finance, 6(4), 273-277.
[23] Srikanth, V. (1999, April). Intelligent trading systems: a multi-agent hybrid architecture. In Proceedings of the IEEE/IAFE 1999 Conference on Computational Intelligence for Financial Engineering (CIFEr)(IEEE Cat. No. 99TH8408) (pp. 64-73). IEEE.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Жанар Алимова, Сеит Керімқұл, Альберт Бахтизин, Алибек Адалбек, Нургуль Жуспекова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
