Email this article Development of a model for forecasting the net debt of real estate developers using machine learning
- Authors: Lukichev M.A1
-
Affiliations:
- Moscow Financial and Industrial University Synergy
- Issue: Vol 4, No 6 (2025)
- Pages: 65-74
- Section: Articles
- URL: https://journals.rcsi.science/2949-4648/article/view/378801
- ID: 378801
Cite item
Abstract
in the context of the systemic crisis in the Russian construction sector caused by the record debt burden and high cost of borrowed funds, the task of proactive assessment of financial risks of developers of multi-apartment housing becomes urgent. The article presents a predictive net debt model developed based on machine learning methods and trained on data from Russian public real estate companies. The model takes into account key risk predictors, such as the level of net debt in the previous period and the rate of its change. The results confirm that the amount of net debt of real estate developers is determined mainly by internal dynamics, rather than by macroeconomic conditions. The proposed tool can serve as the basis for an early warning system for defaults and support for the sustainability of the construction industry.
References
- Долги застройщиков в шесть раз превысили прибыль к осени 2025 года [Электронный ресурс] // Моcковская Перспектива. 2025. 5 ноября. URL: https://mperspektiva.ru/topics/dolgi-zastroyshchikov-v-shest-raz-prevysili-pribyl-k-oseni-2025-goda/ (дата обращения: 02.09.2025)
- Максимальную долговую нагрузку несут предприятия в строительстве, деревообработке и автопроме [Электронный ресурс] // SALT News. 2025. 6 ноября. URL: https://salt.news/promishlennost/maksimalnuyu-dolgovuyu-nagruzku-nesut-predpriyatiya-v-stroitelstve-derevoobrabotke-i-avtoprome/ (дата обращения: 02.09.2025)
- Долговая нагрузка застройщиков России достигла максимума за год [Электронный ресурс] // International Investment. URL: https://internationalinvestment.biz/business/6409-dolgovaja-nagruzka-zastrojschikov-rossii-dostigla-maksimuma-za-god.html (дата обращения: 02.09.2025)
- Modigliani F., Miller M.H. The Cost of Capital, Corporation Finance and the Theory of Investment // The American Economic Review. 1958. Vol. 48. No. 3. P. 261 – 297. URL: http://www.jstor.org/stable/1809766 (дата обращения: 02.09.2025)
- Russia: are financial stability risks starting to crystallise? [Электронный ресурс] / Capital Economics. URL: https://www.capitaleconomics.com/publications/emerging-europe-economics-update/russia-are-financial-stability-risks-starting (дата обращения: 02.09.2025)
- Анализ дефолтов облигационного рынка [Электронный ресурс] / SDF Solutions. URL: https://sdf-solutions.com/defaults/ (дата обращения: 02.09.2025)
- Долги застройщиков в шесть раз превысили прибыль к осени 2025 года [Электронный ресурс] // Моcковская Перспектива. 2025. 5 ноября. URL: https://mperspektiva.ru/topics/dolgi-zastroyshchikov-v-shest-raz-prevysili-pribyl-k-oseni-2025-goda/ (дата обращения: 02.09.2025)
- Помулев А.А. Методические аспекты прогнозирования денежных потоков при проектном финансировании сферы жилой недвижимости // Российский экономический интернет-журнал. 2020. № 2. С. 45.
- Граница Ю.В. Применение эконометрических моделей в прогнозировании показателей финансовой отчетности // Инновационное развитие экономики. Будущее России : материалы и доклады VI Всероссийской (национальной) научно-практической конференции, Княгинино, 18 апреля 2019 года. Т. 1. Княгинино: Нижегородский государственный инженерно-экономический институт, 2019. С. 51 – 55.
- Федорова Е.А., Довженко С.Е. Модели прогнозирования банкротства предприятий строительной отрасли и отрасли сельского хозяйства // Эффективное антикризисное управление. 2014. № 6 (87). С. 94 – 99.
- Стерник С.Г., Тютюкина Е.Б., Помулев А.А. Оценка рисков проектов государственно-частного партнерства с использованием алгоритмов искусственного интеллекта // МИР (Модернизация. Инновации. Развитие). 2024. Т. 15. № 3. С. 421 – 438. doi: 10.18184/2079-4665.2024.15.3.421-438
- Горохов А.Д., Помулев А.А. Развитие методов оценки рисков проектов в нефтегазовой отрасли с использованием машинного обучения // Таможенные чтения – 2023: Новые реалии внешнеэкономической деятельности: взгляд таможни, бизнеса и науки: Сборник материалов Международной научно-практической конференции, Санкт-Петербург, 21–23 ноября 2023 года. Санкт-Петербург: Российская таможенная академия, 2023. С. 48 – 54.
- Moscatelli M., Parlapiano F., Narizzano S., Viggiano G. Corporate default forecasting with machine learning [Electronic resource] // Expert Systems with Applications. 2020. Vol. 161. P. 113567. doi: 10.1016/j.eswa.2020.113567. URL: https://www.sciencedirect.com/science/article/abs/pii/S0957417420303912
- Помулев А.А. Разработка метода прогнозирования стоимости бизнеса публичных компаний в рамках сравнительного подхода с использованием искусственного интеллекта. Финансы: теория и практика/Finance: Theory and Practice. https://doi.org/10.26794/2587-5671-2026-30-3-1862-02
- Cbonds. Финансовые индексы и аналитика [Электронный ресурс]. URL: https://cbonds.ru/ (дата обращения: 18.09.2025)
- Росреестр. За восемь месяцев в столице оформлено максимальное число первичных договоров [Электронный ресурс]. URL: https://rosreestr.gov.ru/press/archive/za-vosem-mesyatsev-v-stolitse-oformleno-maksimalnoe-chislo-pervichnykh-dogovorov-/ (дата обращения: 18.08.2025)
- Дом.РФ. Единая отчётность по льготному ипотечному кредитованию [Электронный ресурс]. URL: https://дом.рф/programmy-gosudarstvennoj-podderzhki/report/ (дата обращения: 18.09.2025)
- Скринер акций РФ и США Finance Marker. URL: https://financemarker.ru/stocks/?exchange=MOEX (дата обращения: 18.09.2025)
- QuantileTransformer – scikit-learn 1.6.1 documentation [Электронный ресурс]. URL: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.QuantileTransformer.html (дата обращения: 04.09.2025)
- TimeSeriesSplit – scikit-learn 1.6.1 documentation [Электронный ресурс]. URL: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html (дата обращения: 04.09.2025)
- Mean absolute error: сайт. DOI отсутствует. URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.mean_absolute_error.html (дата обращения: 20.08.2025)
- Scikit-learn. R2 score: сайт. DOI отсутствует. URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.r2_score.html (дата обращения: 20.09.2025)
Supplementary files
