Концептуальная модель мультиагентной системы инновационного инвестирования с использованием нейрокогнитивных архитектур
- Авторы: Айгумов А.А.1, Пшенокова И.А.1,2
-
Учреждения:
- Кабардино-Балкарский научный центр Российской академии наук
- Кабардино-Балкарский государственный университет имени Х. М. Бербекова
- Выпуск: Том 27, № 5 (2025)
- Страницы: 13-25
- Раздел: Системный анализ, управление и обработка информации, статистика
- Статья получена: 13.11.2025
- Статья опубликована: 20.11.2025
- URL: https://journals.rcsi.science/1991-6639/article/view/351222
- DOI: https://doi.org/10.35330/1991-6639-2025-27-5-13-25
- EDN: https://elibrary.ru/FQOGOO
- ID: 351222
Цитировать
Полный текст
Аннотация
Актуальность исследования обусловлена необходимостью разработки эффективных инструментов управления инновационными инвестиционными процессами в условиях высокой неопределенности рыночной среды. Традиционные подходы к исследованию, например, эконометрическое моделирование или системная динамика, часто сталкиваются с трудностями при описании адаптивного поведения агентов и непредсказуемых коллективных эффектов. В связи с этим возникает необходимость в инструментах, позволяющих более реалистично имитировать поведение участников инвестиционного рынка во всей его сложности.
Цель исследования - создание мультиагентной модели, позволяющей оценить эффективность различных сценариев инновационного инвестирования и выявить оптимальные стратегии поведения участников рынка.
Методы исследования. В данной работе в качестве основных методов исследования применяются имитационное и мультиагентное моделирование.
Результаты. В статье представлена концептуальная модель мультиагентной системы инновационного инвестирования с использованием нейрокогнитивных архитектур для анализа процессов взаимодействия между участниками инвестиционного рынка. Разработана базовая архитектура автономного интеллектуального агента, которая в контексте системы инновационного инвестирования позволяет учитывать когнитивные аспекты поведения.
Выводы. В дальнейшем предполагается расширить модель, включив в нее более подробную классификацию инвесторов и проектов, интеграцию с реальными данными, дополнительные механизмы обучения и коллективного инвестирования. Разработанная модель может служить основой для создания практических инструментов поддержки принятия решений в сфере инновационного инвестирования и способствовать повышению эффективности инвестиционной деятельности.
Об авторах
А. А. Айгумов
Кабардино-Балкарский научный центр Российской академии наук
Email: arrrslan@mail.ru
аспирант кафедры «Мультиагентные интеллектуальные
робототехнические системы» Научно-образовательного центра
И. А. Пшенокова
Кабардино-Балкарский научный центр Российской академии наук; Кабардино-Балкарский государственный университет имени Х. М. Бербекова
Автор, ответственный за переписку.
Email: pshenokova_inna@mail.ru
ORCID iD: 0000-0003-3394-7682
SPIN-код: 3535-2963
канд. физ.-мат. наук, зав. НИЦ «Интеллектуальные интегрированные
информационно-управляющие системы»
Список литературы
- Есикова Т. Н., Вахрушева С. В. Моделирование агентного окружения при разработке мультиагентной системы на примере крупномасштабных инфраструктурных проектов // Вестник СибГУТИ. No 3. 2019. С. 63-69. EDN: BVMADR
- Furchi A., Lippi M., Carpio R.F. Gasparri A. Route optimization in precision agriculture settings: A multi-Steiner TSP formulation. IEEE Trans. Autom. Sci. Eng. 2023. No. 20. Pp. 2551-2568.
- Gong T., Zhu L., Yu F.R., Tang T. Edge intelligence in intelligent transportation systems: a survey. IEEE Trans. Intell. Transp. Syst. 2023. No. 24. Pp. 8919-8944.
- Wang H., Wang C., Zhou K. et al. TEBChain: A trusted and efficient blockchain-based data sharing scheme in UAV-assisted IoV for disaster rescue. IEEE Trans. Netw. Serv. Manag. 2024. No. 21. Pp. 4119-4130.
- Liu Z., Qiu C., Zhang Z. Sequence-to-sequence multi-agent reinforcement learning for multi-uav task planning in 3D dynamic environment. Appl. Sci. No. 12. 2022. P. 12181.
- Рассел С., Норвиг П. Искусственный интеллект: современный подход. 2-е издание. М.: Вильямс, 2016. 1408 с.
- Bonabeau E. Agent-based modeling: methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences of the United States of America. 2002. No. 99(3). Pp. 7280-7287.
- Liu J., Dong J. A multi-agent simulation of investment choice in the P2P lending market with bankruptcy risk. Journal of Simulation. 2020. No. 16. Pp. 1-15. doi: 10.1080/17477778.2020.1759386
- Kostka A., Chudziak J.A. Towards cognitive synergy in LLM-based multi-agent systems: integrating theory of mind and critical evaluation. arXiv preprint arXiv:2507.21969. 2025. doi: 10.48550/arXiv.2507.21969
- Бородулин И. В. Увеличение точности больших языковых моделей с помощью расширенной поисковой генерации // Вестник науки. 2024. Т. 3. No 3(72). 2024. C. 400-405. EDN: CXUKPU
- Xiao Y. et al. TradingAgents: Multi-agents LLM financial trading framework. arXiv preprint arXiv:2412.20138. 2024.
- Dwarakanath K., Vyetrenko S., Tavallali P., Balch T. ABIDES-Economist: Agent-based simulation of economic systems with learning agents. arXiv preprint arXiv:2402.09563. 2024
- Souissi M.A., Bensaid K., Ellaia R. Multi-agent modeling and simulation of a stock market. Investment Management & Financial Innovations. 2018. Vol. 15. No. 4. P. 123.
- Locatelli M., Pellegrini L., Accardo D. et al. People flow management in a healthcare facility through crowd simulation and agent-based modeling methods. Journal of Physics: Conference Series. 2023. No. 2600. doi: 10.1088/1742-6596/2600/14/142007
- Huang Y., Zhou Ch., Cui K., Lu X. A multi-agent reinforcement learning framework for optimizing financial trading strategies based on TimesNet. Expert Systems with Applications. 2024. Vol. 237. P. 121502.
- Paul J. Multi-agent systems for collaborative investment strategy design. 2024.
- Нагоев З. В. Интеллектика, или Мышление в живых и искусственных системах. Нальчик: Изд-во КБНЦ РАН, 2013. 211 с.
- Нагоев З. В. Мультиагентные экзистенциальные отображения и функции // Известия Кабардино-Балкарского научного центра РАН. 2013. No. 4. С. 63-71. EDN: QZTFLX
- Nagoev Z., Pshenokova I., Nagoeva O., Sundukov Z. Learning algorithm for an intelligent decision making system based on multi-agent neurocognitive architectures. Cognitive Systems Research. 2021. Vol. 66. Pp. 82-88. doi: 10.35330/1991-6639-2020-3-95-23-31
- Bzhikhatlov K., Nagoeva O., Anchokov M., Makoeva D. Methods and algorithms (modeling of reasoning) to synthesize intellectual behavior of autonomous mobile robots and program complexes based on received reasoning models. In: Samsonovich A.V., Liu T. (eds) Biologically Inspired Cognitive Architectures 2024. BICA 2024. Studies in Computational Intelligence. 2024. Vol. 477. Springer, Cham. doi: 10.1007/978-3-031-76516-2_7
- Пшенокова И. А., Нагоева О. В., Апшев А. З., Энес А. З. Формирование динамических причинно-следственных зависимостей при управлении поведением интеллектуального агента на основе формализма мультиагентных нейрокогнитивных архитектур // Известия Кабардино-Балкарского научного центра РАН. 2022. No 5(109). С. 73-80. doi: 10.35330/1991-6639-2022-5-109-73-80
Дополнительные файлы



