Методы прогнозирования финансовых показателей в системе бизнес-планирования: интеграция ML-подходов и сценарного моделирования (на примере российских компаний)

Внедрение инструментов предиктивной аналитики и ИИ в финансовое планирование российских компаний во II квартале 2025 г. привело к снижению операционных расходов до 16% и росту выручки около 34%. Эти впечатляющие цифры, зафиксированные в новейших отраслевых отчетах, недвусмысленно подтверждают: финансовое прогнозирование перестало быть просто академической необходимостью. Оно стало прямым и мощным инструментом создания экономической стоимости, требующим интеграции самых современных, высокоточных методологий в ткань корпоративного бизнес-планирования.

Сложные, высококонкурентные рыночные условия, усугубленные геополитической и макроэкономической волатильностью, превратили финансовое прогнозирование из формальной процедуры в критически важный элемент управленческой парадигмы. Данное исследование ставит своей целью не просто обзор существующих методов, а разработку комплексного, детализированного плана исследования, интегрирующего как классические эконометрические подходы, так и передовые инструменты машинного обучения и сценарного моделирования, адаптированные к специфике российского хозяйствования.

Теоретико-методологические основы финансового прогнозирования в современном бизнес-планировании

Роль и место финансового прогнозирования в системе стратегического и тактического бизнес-планирования

Финансовое прогнозирование представляет собой обширное исследование различных будущих ситуаций в части финансового состояния предприятия и обязательные расчеты, необходимые для формирования финансовых планов (прогноз объемов реализации, затрат и т.п.). Прогнозирование является первым, самым фундаментальным этапом планирования, задающим общий вектор развития, и именно на этом этапе определяется потенциал для будущей экономической эффективности.

Ключевым методологическим разграничением является отличие прогноза от плана. Прогноз — это вероятностная гипотеза о развитии событий на основе имеющихся сведений, отражающая наиболее вероятный исход при сохранении текущих трендов. План же представляет собой порядок целевых нормативов развития и функционирования, целеполагающую программу действий, направленную на достижение желаемого, а не просто вероятного результата. Прогноз предсказывает будущие финансовые показатели, а план показывает действия, которые помогут достичь поставленных целей.

В системе бизнес-планирования качественное финансовое прогнозирование выполняет несколько критических функций:

1. Информационная база для принятия решений: Предоставляет менеджерам объективные данные о будущих денежных потоках, потребностях в финансировании и потенциальной рентабельности.
2. Координация и синхронизация: Обеспечивает взаимосвязь деятельности всех подразделений и координацию всех факторов производства и реализации, что необходимо для сбалансированного бизнес-плана.
3. Снижение неопределенности: Позволяет идентифицировать зоны риска и разработать превентивные меры, что особенно важно в условиях, когда стоимость ошибки на российском рынке значительно возросла.

Концепция рискориентированного финансового планирования как первостепенная задача финансового менеджмента корпораций

В условиях высокой турбулентности рынка роль бизнес-планирования возрастает, требуя активного управления компанией. Первостепенной задачей в области финансового менеджмента корпораций становится формирование системы рискориентированного финансового планирования.

Это означает переход от детерминированных, односценарных прогнозов к методологии, которая явно учитывает возможные неблагоприятные исходы и встраивает механизмы реагирования (хеджирование, диверсификация, создание резервов) непосредственно в финансовые планы. Своевременная переориентация деятельности и внедрение инструментов риск-менеджмента становятся возможными только при условии, что базовый финансовый прогноз изначально предусматривал широкий спектр внешних и внутренних факторов риска (макроэкономические, геополитические, отраслевые). Следовательно, неспособность компании учитывать риски на этапе прогнозирования неизбежно ведет к формированию нереализуемых планов и потере конкурентоспособности.

Практическая экономическая эффективность прогнозирования: снижение операционных расходов и рост выручки за счет внедрения предиктивной аналитики

Прямая экономическая эффективность прогнозирования подтверждается анализом, проведенным в России. Внедрение инструментов предиктивной аналитики и искусственного интеллекта (ИИ) в финансовое планирование в II квартале 2025 г. оказало существенное влияние на операционные и финансовые результаты компаний.

Показатель эффективности	Эффект от внедрения ИИ и предиктивной аналитики	Причина эффекта
Снижение операционных расходов	До 16%	Оптимизация запасов, повышение точности закупок и планирования логистики.
Рост выручки	Около 34%	Точное прогнозирование спроса, персонализированное ценообразование и своевременное управление маркетинговыми кампаниями.
Точность прогноза	Значительное повышение	Способность ИИ выявлять скрытые, нелинейные зависимости в больших массивах данных.

Эти данные подчеркивают, что современные, высокоточные методы прогнозирования являются не просто «лучшей практикой», но необходимым условием для обеспечения долгосрочного роста и конкурентоспособности компании.

Эволюция и инструментарий классических и эконометрических методов прогнозирования

Ключевой тезис: Раскрыть математический аппарат традиционных статистических методов и их ограничения, а также представить более сложные эконометрические подходы.

Классические методы прогнозирования занимают ведущее место с позиции формализованного прогнозирования и служат базисом для более сложных эконометрических моделей. Их главное достоинство — простота и прозрачность алгоритмов, а основной недостаток — подверженность влиянию случайных колебаний и недостаточная способность учитывать сложные причинно-следственные связи. Развитие этих методов было инициировано потребностью в устойчивых инструментах, способных обрабатывать исторические данные.

Классификация методов прогнозирования финансовых показателей по степени формализации

Прогнозирование может быть классифицировано по степени формализации:

1. Неформализованные (экспертные) методы: Основаны на интуиции, опыте и знаниях экспертов (Дельфи, мозговой штурм). Применяются при недостатке статистических данных или при прогнозировании уникальных событий.
2. Формализованные (количественные) методы: Основаны на математическом аппарате и статистических данных. Включают экстраполяцию, регрессию, эконометрические модели и методы машинного обучения.

Статистические методы: экстраполяция, корреляционно-регрессионный анализ и метод средних

К традиционным статистическим методам прогнозирования относятся:

1. Метод экстраполяции (анализ темпов роста): Предполагает, что тенденции, наблюдавшиеся в прошлом, сохранятся и в будущем. Наиболее прост в применении. Прогноз на период $t+1$ строится на основе среднего абсолютного прироста или среднего темпа роста показателя за прошлые периоды $t-n$.
   • Ограничение: Результаты подвержены влиянию случайных колебаний данных и могут приводить к серьезным просчетам, если в прогнозируемом периоде произойдет структурный сдвиг.
2. Корреляционно-регрессионный анализ: Позволяет установить аналитическую зависимость между прогнозируемым показателем ($Y$) и одним или несколькими факторными показателями ($X_i$).
   • Формула однофакторной линейной регрессии: $Y = a + bX$.
   • Этот метод позволяет количественно оценить влияние факторов, но требует тщательного отбора переменных, чтобы избежать проблемы мультиколлинеарности.
3. Метод средних: Применяется для прогнозирования стабильных, не подверженных сильным колебаниям показателей, или как часть более сложного анализа (например, расчет скользящих средних).

Эконометрическое моделирование: применение систем эконометрических уравнений

Эконометрические методы прогнозирования, в частности, системы эконометрических уравнений, являются одними из самых популярных методологических подходов, используемых в макроэкономическом прогнозировании крупнейшими российскими аналитическими центрами (ЦЭМИ, ЦМАКП, Центр макроэкономических исследований Сбербанка России).

Эконометрическая модель превосходит простую регрессию, поскольку она:

• Учитывает взаимозависимость показателей (например, как инвестиции влияют на прибыль, а прибыль — на будущие инвестиции).
• Позволяет моделировать сложные экономические системы и структурные сдвиги.

Ожидается расширение использования эконометрических моделей в ближайшие пять лет, при этом многие крупные компании разрабатывают и детализируют подобные модели для своих основных бизнесов, интегрируя их в системы корпоративного планирования. Но разве не является ли их сложность, требующая значительных вычислительных ресурсов и высокой квалификации аналитиков, скрытым ограничением?

Методика факторного прогнозирования финансовых показателей

Для создания уточненных факторных прогнозных моделей финансовых показателей часто используется метод цепных подстановок (один из методов факторного анализа). Этот метод позволяет изолировать влияние каждого фактора на результирующий показатель, что критически важно для точного прогнозирования.

Метод цепных подстановок наиболее часто применяется для анализа и прогнозирования мультипликативных факторных моделей, таких как Выручка от продаж ($Y$) или Рентабельность.

Последовательность расчета влияния факторов:

Рассмотрим мультипликативную модель Выручки от продаж ($Y$), где $Y = X \times A$:

• $X$ — количественный фактор (Объем продаж в натуральном выражении).
• $A$ — качественный фактор (Средняя цена единицы продукции).
• $X_0, A_0$ — значения факторов в базисном (прошлом) периоде.
• $X_1, A_1$ — прогнозируемые (плановые) значения факторов.

Общее изменение результирующего показателя:
$$ΔY = Y_{1} — Y_{0}$$

Прогнозное изменение $ΔY$ раскладывается на влияние отдельных факторов:

1. Расчет влияния фактора $X$ (Объем): Определяется как изменение объема при сохранении базисной цены.
   $$\Delta Y_{X} = (X_{1} — X_{0}) \times A_{0}$$
2. Расчет влияния фактора $A$ (Цена): Определяется как изменение цены, умноженное на прогнозируемый объем. Здесь важно, что при расчете влияния второго и последующих факторов, предыдущие факторы уже берутся в плановом значении ($X_1$).
   $$\Delta Y_{A} = (A_{1} — A_{0}) \times X_{1}$$

Общее изменение $ΔY = ΔY_{X} + ΔY_{A}$.

Применение этого метода позволяет финансовому менеджеру не просто спрогнозировать общую сумму выручки, но и понять, какая часть этого прогноза обусловлена ростом физического объема продаж, а какая — изменением ценовой политики (качественный фактор). Это дает возможность оперативно корректировать именно ту часть бизнес-плана, которая генерирует наибольшую финансовую отдачу.

Современные подходы: машинное обучение и искусственный интеллект в прогнозировании финансовых временных рядов

Ключевой тезис: Проанализировать перспективность и практическое применение методов ML/AI для повышения точности прогнозирования финансовых показателей в России.

В последние годы финансовое прогнозирование совершило качественный скачок благодаря методам машинного обучения (ML) и искусственному интеллекту (ИИ). Эти методы признаны перспективными для прогнозирования финансовых временных рядов, поскольку они способны обрабатывать огромные массивы разнородных данных (включая неструктурированные — новости, социальные медиа) и выявлять нелинейные, скрытые зависимости, которые недоступны классическим эконометрическим моделям.

Обзор архитектур нейронных сетей, используемых в финансовом прогнозировании

Нейронные сети (НС) способны обобщать и выделять скрытые зависимости, что является их преимуществом в прогнозировании или классификации финансовых показателей.

Для прогнозирования динамики финансовых временных рядов в России, включая стоимость акций на Московской бирже (МосБирже), используются следующие ключевые архитектуры:

1. Многослойный перцептрон (MLP): Базовая архитектура, эффективна для простых классификационных задач, но ограничена в работе с последовательными данными.
2. Долгая краткосрочная память (LSTM): Разновидность рекуррентных нейронных сетей (РНС), идеально подходящая для работы с временными рядами. LSTM-сети обладают «памятью», позволяющей им запоминать долгосрочные зависимости и эффективно обрабатывать последовательности, такие как ежедневные котировки.
3. Трансформеры: Новейшая архитектура, изначально разработанная для обработки естественного языка, но успешно применяемая в финансовой сфере. Трансформеры, основанные на механизме внимания (Attention mechanism), используются для прогнозирования стоимости акций на МосБирже на основе анализа новостных данных (Sentiment Analysis), позволяя системе учитывать не только ценовые ряды, но и рыночный фон.

Сравнительный анализ эффективности ML-методов

На практике, при прогнозировании на нестабильных рынках, таких как российский фондовый рынок, часто более высокую эффективность демонстрируют ансамблевые методы по сравнению с отдельными, даже сложными, нейронными сетями.

Ансамблевые методы (например, Случайный лес или Бустинг) комбинируют результаты нескольких слабых моделей для получения более устойчивого и точного прогноза. Исследования российских ученых показывают, что ансамблевые методы могут превосходить по качеству годовые прогнозы, публикуемые даже официальными аналитическими центрами (например, прогнозы темпов роста квартального валового накопления основного капитала).

Статистика внедрения ИИ в российский бизнес:

Российские предприятия активно интегрируют аналитику больших данных и ИИ в процесс финансового планирования. По состоянию на II квартал 2025 г., 43% российских компаний использовали инструменты ИИ и предиктивной аналитики для решения бизнес-задач, что знаменует рост на 32% по сравнению с предыдущим годом. Финансовая отрасль занимает 16% от общего объема внедренных решений в стране.

Инновационные направления: применение ML для прогнозирования параметров модели и показателей

Крупнейшие финансовые институты, такие как ПАО «Сбербанк», используют ML не только для прямого прогнозирования показателей (например, кредитного риска или выручки), но и для прогнозирования параметров самой модели.

Это означает, что вместо того, чтобы жестко фиксировать коэффициенты или допущения модели, менеджеры используют ML-алгоритмы, чтобы предсказывать, как изменятся эти параметры в зависимости от макроэкономических условий. Такой подход обеспечивает динамичность модели и ее высокую адаптивность к меняющейся внешней среде.

Методологические вызовы и интеграция результатов прогнозирования в систему бюджетирования

Ключевой тезис: Проанализировать методологические ограничения и проблемы, которые упускают конкуренты, и предложить практические решения для повышения надежности прогнозов.

Выбор конкретного метода прогнозирования всегда зависит от множества факторов: планируемого использования прогноза, горизонта планирования, требуемой точности и доступности надежных данных. Однако при применении современных ML-методов и работе с российской отчетностью возникают специфические методологические вызовы.

Проблема стационарности финансовых временных рядов в ML-моделях

Главной проблемой при прогнозировании финансовых временных рядов с помощью машинного обучения является проблема стационарности ряда и наличия «памяти».

• Стационарность: Большинство классических эконометрических и ML-моделей (за исключением РНС/LSTM) требуют, чтобы прогнозируемый временной ряд был стационарным (среднее значение, дисперсия и автоковариация не зависят от времени).
• Проблема «памяти»: Преобразования, приводящие ряд к стационарности (например, обычное дифференцирование), могут удалять долгосрочную «память» — важные тренды и циклы, которые модель должна учитывать для точного долгосрочного прогнозирования.

Для решения этой проблемы при использовании ML-моделей (особенно нейронных сетей) применяется дробное дифференцирование (Fractional Differencing). Этот метод позволяет найти оптимальный уровень дифференцирования (не обязательно целое число, например, 0.5), который делает ряд стационарным, но при этом сохраняет его долгосрочные корреляции и память. Этот тонкий, но важный нюанс позволяет избежать ошибок, связанных с потерей информации о цикличности рынка при подготовке данных для обучения модели.

Адаптация исходной информации: агрегирование российской бухгалтерской отчетности

Проведение анализа и прогнозирования непосредственно по детализированным данным российской бухгалтерской отчетности (форма №1 «Бухгалтерский баланс» и форма №2 «Отчет о финансовых результатах») крайне трудоемко и часто приводит к перегруженности модели несущественными деталями.

Для корректного и эффективного прогнозирования необходимо уплотнение исходных форм отчетности путем агрегирования однородных статей, что позволяет получить сравнительный аналитический баланс (баланс-нетто). Этот агрегированный баланс используется как отправная точка для прогнозирования финансового состояния и расчета ключевых прогнозных коэффициентов (ликвидности, финансовой устойчивости).

Методика агрегирования:

Агрегирование бухгалтерского баланса проводится путем перегруппировки активов по степени ликвидности (от наименее ликвидных к наиболее ликвидным) и пассивов по срокам погашения обязательств. Наиболее распространенная степень агрегирования для аналитического баланса-нетто предполагает укрупнение статей до пяти ключевых разделов:

Агрегированная статья (Актив)	Агрегированная статья (Пассив)	Принцип группировки
Внеоборотные активы	Капитал и резервы	Долгосрочные источники финансирования
Оборотные активы (быстрореализуемые)	Долгосрочные обязательства	Средние и долгосрочные задолженности
Оборотные активы (наиболее ликвидные)	Краткосрочные обязательства	Краткосрочные задолженности

Сценарное моделирование и учет рисков как ключевой инструмент повышения точности прогноза

Ключевой тезис: Детализировать метод сценариев как критический инструмент управления неопределенностью.

Метод сценариев является неотъемлемой частью рискориентированного планирования и позволяет оценить влияние различных будущих экономических и геополитических сценариев на финансовое состояние и инвестиционные проекты предприятия. В условиях повышенной волатильности, как в современной российской экономике, этот метод критически важен, поскольку он позволяет взглянуть на будущее не как на одну точку, а как на спектр возможностей и угроз.

Методика разработки сценариев: учет макроэкономических, отраслевых и геополитических факторов

Сценарное моделирование требует учета широкого спектра факторов внешней среды для создания всестороннего представления о возможных будущих условиях. При подготовке финансовых прогнозов и бюджетов, метод сценариев позволяет учитывать различные возможные исходы:

1. Базовый (Умеренный) Сценарий: Предполагает сохранение текущих макроэкономических трендов (например, умеренный рост ВВП, стабильный курс рубля, запланированный уровень инфляции).
2. Пессимистический Сценарий: Учитывает серьезный и продолжительный экономический спад, снижение потребительского спроса, ужесточение монетарной политики или новые геополитические шоки.
3. Оптимистический Сценарий: Предполагает благоприятное развитие событий (например, рост цен на сырье, снижение ключевой ставки, успешное импортозамещение).

Для каждого сценария должны быть заданы свои ключевые входные параметры: курс валюты, процентные ставки, темпы роста отраслевого рынка и уровень инфляции. Это позволяет разрабатывать более точные и реалистичные финансовые планы, включая адаптивное бюджетирование.

Применение принципа Branch-and-Merge Reasoning в современных платформах ИИ-риск-менеджмента

Современные платформы прогнозирования спроса и риск-менеджмента, основанные на ИИ, используют принцип «branch-and-merge reasoning» (рассуждение с ветвлением и слиянием).

Этот принцип означает переход от традиционных линейных цепочек рассуждения к параллельным архитектурам мышления, позволяющим системе:

1. Ветвление (Branch): Одновременно исследовать несколько, иногда противоречивых, гипотез и сценариев развития событий.
2. Слияние (Merge): Объединять результаты анализа этих параллельных веток, выявляя наиболее устойчивые и надежные варианты прогноза, которые минимизируют риски.

Такой подход позволяет ИИ-системам динамически корректировать прогноз при поступлении новых данных, учитывая не только вероятностный, но и структурный риск.

Прогнозирование финансовой устойчивости организации

В системе бизнес-планирования недостаточно спрогнозировать только ключевые показатели Отчета о прибылях и убытках (Выручка, Чистая прибыль). Критически важным является прогнозирование финансовой устойчивости организации, особенно в условиях нестабильной внешней среды.

К сожалению, этот аспект часто получает недостаток внимания в общих исследованиях по прогнозированию. Российские исследователи предлагают использовать методики, более адаптированные к отечественным условиям хозяйствования и структуре бухгалтерского учета, чем стандартные западные модели (например, модель Альтмана).

В аналитической части исследования рекомендуется использовать следующие адаптированные российские методики:

1. Модели Беликовой-Давыдовой: Основаны на системе коэффициентов ликвидности, обеспеченности собственными средствами и рентабельности.
2. Модели Зайцевой: Применяются для оценки вероятности банкротства на основе ограниченного набора финансовых показателей.
3. Модели Сайфулина-Кадыкова: Комплексная система, включающая пять ключевых показателей, взвешенных по их значимости для прогнозирования кризисного состояния.

Прогнозирование этих коэффициентов на основе прогнозного аналитического баланса-нетто позволяет своевременно определить критические точки и скорректировать финансовый план.

Заключение и перспективы исследования

Проведенный анализ подтверждает, что эффективность финансового прогнозирования в системе современного бизнес-планирования определяется не выбором одного, а интеграцией комплекса методов. Успешный прогноз в условиях российской экономики требует глубокого понимания как математического аппарата классических эконометрических моделей, так и инновационных возможностей машинного обучения.

Ключевые выводы:

1. Финансовое прогнозирование является инструментом создания экономической стоимости, что подтверждается значительным снижением операционных расходов и ростом выручки у компаний, внедривших предиктивную аналитику.
2. Применение классических методов (экстраполяция, регрессия) должно дополняться сложными эконометрическими моделями, а также точным факторным анализом (например, методом цепных подстановок).
3. Современные ML-методы, такие как LSTM и ансамблевые модели, демонстрируют высокую эффективность, но требуют решения сложных методологических проблем (стационарность ряда) с использованием продвинутых техник (дробное дифференцирование).
4. Практическая применимость прогнозов зависит от корректной подготовки данных: необходимо агрегирование российской бухгалтерской отчетности до аналитического баланса-нетто.
5. Необходимым условием для обеспечения финансовой устойчивости является рискориентированное сценарное моделирование с учетом геополитических и макроэкономических факторов, а также обязательное прогнозирование финансовой устойчивости с применением адаптированных российских методик.

Перспективы дальнейших исследований:

Дальнейшее изучение темы должно быть сосредоточено на разработке и тестировании гибридных ML-моделей, которые объединяют линейные эконометрические методы с нелинейными алгоритмами нейронных сетей. Это позволит создавать модели, способные одновременно учитывать традиционные экономические факторы и нелинейные паттерны, извлекаемые из больших, неструктурированных данных, что является ключевым направлением для повышения точности финансового прогнозирования в российских корпорациях.

Список использованной литературы

1. Баканов М.И., Шеремет А.Д. Теория экономического анализа: учебник. М.: Финансы и статистика, 2004. 288 с.
2. Бухалков М.И. Планирование на предприятии: учебник. 3-е изд., испр. и доп. М.: ИНФРА-М, 2005. 321 с.
3. Герасимова В.А., Чуев И.Н., Чечевицина Л.Н. Анализ финансово-хозяйственной деятельности в вопросах и ответах: учебное пособие для студентов экономических вузов. 2-е изд. М.: Дашков и К, 2005. 224 с.
4. Ковалев А.И., Привалов В.П. Анализ финансового состояния предприятия. 2-е изд., перераб. и доп. М.: Центр экономики и маркетинга, 2006. 670 с.
5. Ковалев В.В. Введение в финансовый менеджмент. М.: Финансы и статистика, 2005. 768 с.
6. Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчётности. М.: Финансы и статистика, 2004. 432 с.
7. Серпилин А. Основные подходы к разработке и внедрению стратегии развития предприятия // Управление компанией. 2001. № 3. С. 415.
8. Шеремет А.Д., Николаева О.Е., Полякова С.И. Управленческий учет: учебник. 3-е изд., перер. и доп. М.: ИД ФБК – ПРЕСС, 2005. 344 с.
9. Шеремет А.Д., Ионова А.Ф. Финансы предприятий: менеджмент и анализ. М.: ИНФРА-М, 2004. 538 с.
10. Шилин К.Е. Стратегия финансирования компании // [Статья]. 2006.
11. Захаров И.Н. Общие аспекты финансового планирования, бюджетирование // Управленческий учет и финансы. 2006. № 1.
12. Гаввриков М. От бюджетирования к сбалансированной системе показателей // Управление корпоративными финансами. 2006. № 1.
13. Переверзев Н. Бюджетирование и другие аспекты эффективного управления финансами. Взгляд финансового директора // Управленческий учет и финансы. 2006. № 1.
14. ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ В ПРОГНОЗИРОВАНИИ ФОНДОВОГО РЫНКА [Электронный ресурс] // CyberLeninka. URL: https://cyberleninka.ru/.
15. АНАЛИТИЧЕСКИЕ ВОЗМОЖНОСТИ МАШИННОГО ОБУЧЕНИЯ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ // Финансовый менеджмент. [Журнал].
16. Метод сценариев в финансовом планировании [Электронный ресурс] // Sky.pro. URL: https://sky.pro/.
17. Методы прогнозирования финансового состояния организации [Электронный ресурс] // Kpilib.ru. URL: https://kpilib.ru/.
18. Прогнозирование операционных и финансовых показателей в условиях повышенной неопределенности. На что обратить внимание в 2021 году [Электронный ресурс] // Finotchet.ru. URL: https://finotchet.ru/.
19. Финансовое прогнозирование и планирование: основные методы [Электронный ресурс] // Moedelo.org. URL: https://moedelo.org/.
20. Метод сценариев: как использовать сценарный анализ для оценки рисков и доходности ваших проектов [Электронный ресурс] // Fastercapital.com. URL: https://fastercapital.com/.
21. Использование методов машинного обучения для прогнозирования инвестиций в России // Деньги и кредит. [Журнал].
22. Применение алгоритмов машинного обучения для прогнозирования финансового рынка [Электронный ресурс] // Высшая школа экономики (hse.ru). URL: https://www.hse.ru/.
23. Анализ финансовых рисков: как использовать прогнозирование для анализа и управления финансовыми рисками [Электронный ресурс] // Fastercapital.com. URL: https://fastercapital.com/.
24. Практические аспекты прогнозирования финансовых показателей компании [Электронный ресурс] // Вестник университета (РЭУ им. Плеханова). URL: https://guu.ru/.
25. ЭКСПЕРТНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ ФИНАНСОВОЙ УСТОЙЧИВОСТИ ОРГАНИЗАЦИИ В СИСТЕМЕ МЕТОДОВ БИЗНЕС-АНАЛИЗА // Вестник Алтайской академии экономики и права. [Журнал].
26. ОСОБЕННОСТИ ФИНАНСОВОГО ПРОГНОЗИРОВАНИЯ И ПЛАНИРОВАНИЯ В УСЛОВИЯХ НАСЫЩЕННОЙ ИНФОРМАЦИОННОЙ СРЕДЫ // Фундаментальные исследования. [Журнал].
27. ПЛАНИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ В РАМКАХ ФИНАНСОВОЙ СТРАТЕГИИ ПРЕДПРИЯТИЯ [Электронный ресурс] // CyberLeninka. URL: https://cyberleninka.ru/.
28. Сценарный анализ — методы и примеры прогнозирования [Электронный ресурс] // 1cbit.ru. URL: https://1cbit.ru/.
29. Сценарный анализ в финансовых моделях [Электронный ресурс] // Alt-invest.ru. URL: https://alt-invest.ru/.
30. Проблемы и вызовы финансового планирования на Российских предприятиях [Электронный ресурс] // УрФУ (urfu.ru). URL: https://urfu.ru/.
31. Платформы нового мышления: как компании переходят к рассуждающей экономике [Электронный ресурс] // Ведомости (vedomosti.ru). URL: https://vedomosti.ru/.
32. Планирование и прогнозирование финансовых результатов деятельности [Электронный ресурс] // УрФУ (urfu.ru). URL: https://urfu.ru/.