Измеримые атрибуты корпоративного управления в финансовом прогнозировании: систематизация признаков и алгоритмов

Abstract

Систематизируются количественно измеримые атрибуты корпоративного управления и показываются способы их использования в моделях финансового прогнозирования. Методология включает обзор эмпирических работ по российским и зарубежным компаниям, классификацию атрибутов и сопоставительный анализ алгоритмов машинного обучения. Раскрываются причинные каналы влияния: мониторинговые функции совета директоров и аудиторских комитетов, структура собственности и управленческий компонент экологических, социальных и управленческих аспектов (Environmental, Social and Governance, ESG), которые улучшают информационную среду и снижают неопределенность прогнозов. Предложена прикладная схема интеграции атрибутов корпоративного управления в процесс построения моделей: источники и стандартизация данных, подготовка признаков, выбор базовых алгоритмов и применение технологий объяснимого искусственного интеллекта (Explainable Artificial Intelligence, XAI) для интерпретации результатов. Обсуждаются ограничения, связанные с неполнотой и неоднородностью данных, изменчивостью параметров моделей и риском алгоритмической предвзятости, а также пути их снижения посредством процедур операционного управления жизненным циклом моделей (Machine Learning Operations, MLOps) и регулярного аудита. Результаты представляют методическую основу для воспроизводимых прогнозов. Перспективы включают учет макроэкономических факторов и развитие адаптивных моделей, в том числе рекуррентные нейронные сети с механизмом «долгой краткосрочной памяти» (Long Short–Term Memory, LSTM).

The study systematises measurable corporate governance attributes and outlines their operationalisation in financial forecasting models. The methodological approach comprises a systematic review of empirical research on Russian and international companies, a taxonomy of governance attributes, and a comparative appraisal of machine learning (ML) algorithms. The analysis elucidates causal channels through which the board of directors, audit committee activities, ownership structure, and the governance aspect of ESG disclosure can enrich the information environment and reduce forecast uncertainty. This study proposes a practical framework for integrating governance features into the ML modelling pipeline: data sources and standardisation, feature engineering, selection of baseline algorithms, and using Explainable Artificial Intelligence (XAI) for interpretability. Limitations include incomplete data, model drift, and algorithmic bias; mitigation measures involve validation protocols, Machine Learning Operations (MLOps), and periodic model audits. The study provides a methodological basis for reproducible forecasting useful to analysts, non-financial companies, investors, and regulators. Future work includes incorporating macroeconomic factors and developing adaptive models, such as recurrent neural networks with Long Short-Term Memory (LSTM).