Статья посвящена моделированию и анализу динамики показателей животноводства в странах Евразийского экономического союза и Узбекистане на основе официальных статистических данных публикаций Евразийской экономической комиссии и материалов Национального комитета Республики Узбекистан по статистике. Цель работы заключается в выявлении общих и специфических тенденций в развитии отрасли, а также в формировании краткосрочных прогнозов по ключевым показателям животноводства. Методы исследования включали регрессионные модели (линейная, квадратичная, кубическая, экспоненциальная и гиперболическая), для оценки которых рассчитаны коэффициенты детерминации и аппроксимации. В результате по ряду стран построены модели временных рядов для прогнозирования значений на 2024 г. Работа содержит сравнительный анализ полученных моделей по странам и показателям, включая численность поголовья, продуктивность и объемы производства. Полученные результаты позволяют выявить как положительные, так и отрицательные динамики в развитии животноводства, что имеет прикладное значение для органов государственной власти, ответственных за реализацию агропродовольственной политики. Сделанные прогнозы могут быть полезны для обоснования мер поддержки отрасли и долгосрочного планирования. Статья ориентирована на специалистов в области аграрной экономики, прикладной статистики и государственного управления
В статье раскрываются теоретические и прикладные аспекты информационно-аналитической поддержки управления приемной кампанией вуза в условиях цифровой трансформации. Особое внимание уделено возможностям применения интеллектуальных технологий для повышения управляемости процессов набора. Описана модель прогнозирования вероятности зачисления на основе нейросетевых алгоритмов, а также ее архитектурные и интеграционные решения. Представлены ограничения предложенного подхода. Обоснована актуальность использования подобных инструментов для повышения прозрачности и эффективности образовательного менеджмента. В результате эффективность модели подтверждена высокими значениями точности классификации и ROC-AUC, что демонстрирует ее прикладной потенциал в рамках реальных приемных кампаний
В статье проверяется гипотеза о том, что комбинирование методов фрактального анализа и прогнозирования доходностей акций при помощи LSTM-нейронной сети при формировании инвестиционного портфеля позволяет улучшать его характеристики (соотношение доходности и риска) по сравнению с классическим методом Марковица и фондовым индексом. Исследование проводилось в несколько этапов: отбор активов для включения в портфель; получение прогнозов доходностей активов при помощи LSTM-сетей; формирование оптимального портфеля путем максимизации коэффициента Шарпа; сокращение числа активов в портфеле при помощи фрактального анализа; сравнение полученных портфелей с бенчмарками. В результате выявлено, что наилучшими характеристиками обладает комбинированный портфель, сформированный на базе LSTM-прогнозов и фрактального анализа, что подтверждает гипотезу исследования. Параметры LSTM-портфелей оказались лучше, чем параметры портфелей Марковица из тех же активов. Научная новизна работы состоит в том, что впервые для формирования портфеля применена комбинация нейросетевого прогнозирования и методов фрактального анализа