Аналіз впливу цифрових загроз на фінансові ринки за допомогою методів теорії ймовірностей та Python

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Кафедра економічної кібернетики, комп'ютерних наук та інформаційних технологій

Миколаївський національний аграрний університет

Аналіз впливу цифрових загроз на фінансові ринки за допомогою методів теорії ймовірностей та Python

Тищенко С.І., кандидат педагогічних наук, доцент

Пархоменко О.Ю., кандидат фізико-математичних наук, доцент



Анотація

У статті досліджується вплив цифрових загроз, таких як кібератаки, крадіжки даних, шахрайство з цінними паперами та розповсюдження дезінформації на функціонування фінансових ринків. Застосовуються методи теорії ймовірностей та програмування на Python для кількісної оцінки ризиків, моделювання сценаріїв та розробки стратегій захисту. Демонструється використання байєсівських мереж для обчислення ймовірності успішної кібератаки на основі факторів ризику, метод Монте-Карло для генерації можливих сценаріїв та оцінки їх наслідків. Будуються моделі часових рядів ARIMA для прогнозування фінансових показників з урахуванням впливу минулих значень, волатильності та ефектів цифрових інцидентів. Використовується алгоритм Isolation Forest для виявлення аномалій у фінансових даних, що можуть вказувати на цифрові загрози. Реалізація здійснюється за допомогою Python та бібліотек NumPy, Pandas, scikit-learn, pgmpy, Arch та Statsmodels. Результати демонструють потенціал інтеграції теорії ймовірностей та програмування для забезпечення стабільності та ефективності фінансових ринків в епоху зростаючих кіберризиків.

Ключові слова: цифрові загрози, кібератаки, теорія ймовірностей, Python.



Tyshchenko Svitlana, PhD (Pedagogy), Associate Professor of the Department of Economic Cybernetics, Computer Sciences and Information Technologies, Mykolayiv National Agrarian University, Mykolayiv, Ukraine

Parkhomenko Oleksandr, PhD (Physics and Mathematics), Associate Professor of the Department of Economic Cybernetics, Computer Sciences and Information Technologies, Mykolayiv National Agrarian University, Mykolayiv, Ukraine

Analysis of the Impact of Digital Threats on Financial Markets Using Methods of Probability Theory and Python

Abstract

Introduction. With the development of digital technologies and the growth of cyber threats, financial markets are becoming increasingly vulnerable to various cyber attacks, data theft, securities fraud, market manipulation and the spread of misinformation. These threats can have serious implications for the stability and efficiency of financial markets, reducing investor confidence and causing significant financial losses.

Purpose. This article presents an approach to analysing and mitigating the impact of digital threats on financial markets by integrating probability theory methods and modern Python programming techniques.

Results. First, we identify and classify the main types of digital threats: cyber attacks on critical infrastructure, data theft and confidential information leaks, securities fraud and market manipulation, and the spread of disinformation and fake news. Each type of threat is analysed in terms of its characteristics, sources, and potential consequences for the financial system.

The article then discusses the use of probabilistic models to quantify the risks associated with digital threats. In particular, it demonstrates the use of Bayesian networks to calculate the probability of a successful cyberattack based on risk factors such as the level of cybersecurity, the presence of vulnerabilities in systems, and the history of previous attacks. Monte Carlo simulation modelling is also used to generate a large number of possible scenarios and assess their consequences, including changes in asset prices, market volatility and liquidity.

To forecast future financial performance and assess the impact of digital incidents, the ARIMA time series model is built. This model takes into account the influence of past values, volatility and the effects of digital threats, allowing to predict changes in asset prices and volatility in the markets.

All of the methods and algorithms described above are implemented using the Python programming language and its powerful libraries, such as NumPy, Pandas, scikit-learn, pgmpy, Arch, and Statsmodels. This provides flexibility, scalability, and the ability to integrate with a variety of data processing and analysis tools.

The article provides specific examples of the application of the methods discussed, including detailed Python code. It demonstrates the practical use of Bayesian networks, the Monte Carlo method, and the ARIMA model to analyse synthetic datasets representing various digital threat scenarios.

Conclusions. The results of the study demonstrate the effectiveness of the proposed approach and its ability to provide accurate risk assessment, forecasting the consequences of digital incidents and early detection of potential threats. This makes this approach a useful tool for financial institutions, regulators, and market participants in mitigating the impact of digital threats and strengthening the protection of the financial system.

Overall, the article demonstrates the potential of integrating probability theory, machine learning, and modern programming technologies to address current issues in the financial sector related to growing cyber risks. The presented methods and tools can serve as a basis for further research and development of more advanced solutions for managing the risks of digital threats in financial markets.

Keywords: digital threats, cyber attacks, probability theory, Python.

Вступ

Постановка проблеми. У сучасному світі фінансові ринки є не лише ключовим елементом економічної системи, але й об'єктом постійного цифрового нападу та загрози. Під впливом швидкого та постійного розвитку технологій, фінансові установи та ринки стають предметом цифрових атак з боку хакерів та кіберзлочинців. У цьому контексті визначення, аналіз та реагування на цифрові загрози стає надзвичайно важливою задачею для забезпечення стабільності та надійності фінансової системи.

Питання впливу цифрових загроз на фінансові ринки та розробка ефективних методів їх виявлення і аналізу стає все більш актуальним. Зокрема, використання теорії ймовірностей для моделювання та передбачення ризиків, а також програмування мовою Python для обробки та аналізу великих обсягів даних, пов'язаних з фінансовими ринками, надають можливість розробити інструменти, які дозволять фахівцям у галузі фінансів та цифрової безпеки ефективно виявляти, аналізувати та реагувати на цифрові загрози, що становлять потенційну загрозу для стабільності та надійності фінансових ринків.

Актуальність даної теми обумовлена не лише зростанням кількості та складності цифрових атак на фінансові установи, а й постійним розвитком технологій та зміною характеру цифрових загроз. Кожен новий технологічний прорив створює нові можливості для кіберзлочинців, а отже, необхідність у вдосконаленні та розвитку методів захисту та аналізу стає більш актуальною ніж коли-небудь.

У цій статті ми розглянемо підходи до виявлення та аналізу цифрових загроз на фінансових ринках з використанням сучасних методів теорії ймовірностей та програмування мовою Python. Ми прагнемо досягти глибшого розуміння цих загроз та надати практичні рекомендації для забезпечення стійкості та безпеки фінансової системи в умовах постійних змін цифрового середовища.

Аналіз останніх досліджень та публікацій. М. Гарита у своїх працях визначає як концептуальні знання про кількісні фінанси, так і практичний підхід до використання Python [1]. К. Наік досліджує питання фінансів за допомогою популярних бібліотек Python, таких як NumPy, pandas і Keras [2]. С. Янсен наголошує на вибуховому зростанні цифрових даних, що, в свою чергу, значно підвищило попит на досвід у торгових стратегіях, які використовують машинне навчання [3]. Дж. Ванг, М.Неїл, Н.Фентон обгрунтовують, що факторний аналіз інформаційних ризиків (FAIR) є однією з найпопулярніших моделей для кількісної оцінки ризиків кібербезпеки [6].

Формулювання цілей дослідження. Основною метою даного дослідження є розробка підходу до аналізу та зменшення впливу цифрових загроз на функціонування фінансових ринків шляхом інтеграції методів теорії ймовірностей та сучасних технологій програмування.



Основні результати дослідження

Цифрові загрози для фінансових ринків є різноманітними та можуть мати серйозні наслідки для стабільності та ефективності цих ринків. Для ефективного аналізу їхнього впливу важливо ретельно ідентифікувати та класифікувати різні типи загроз. До найбільш поширених та потенційно небезпечних цифрових загроз для фінансових ринків відносять: крадіжки даних та витоки конфіденційної інформації; шахрайство з цінними паперами та маніпуляції ринком; кібератаки на критичну інфраструктуру фінансових установ; розповсюдження дезінформації та фейкових новин. Зупинимось детально на кожному з вищезазначених типів цифрових загроз.

Одна з найбільших загроз для фінансових установ та учасників ринку - це крадіжки даних та витоки конфіденційної інформації. Фінансові дані, такі як інформація про клієнтів, торгові стратегії, внутрішня інформація про компанії, є надзвичайно цінними та можуть бути використані зловмисниками для отримання неправомірної вигоди.

Крадіжки даних можуть відбуватися через кібератаки, зовнішнє зламування систем, шахрайство з інсайдерською інформацією або через випадкові витоки даних. Наслідки таких інцидентів можуть бути катастрофічними, включаючи фінансові втрати, шкоду репутації, порушення конфіденційності клієнтів та навіть юридичну відповідальність.

Шахрайство з цінними паперами та маніпуляції ринком є серйозними загрозами, які можуть підірвати довіру інвесторів та завдати значних збитків. Цифрові технології полегшують здійснення таких протиправних дій, як інсайдерська торгівля, спуфінг (підробка торгових замовлень), маніпулювання цінами та розповсюдження неправдивої інформації.

Зловмисники можуть використовувати автоматизовані торгові системи, боти та алгоритмічні стратегії для здійснення маніпуляцій на ринку. Вони можуть створювати фіктивні замовлення або поширювати дезінформацію для штучного підвищення або зниження цін на певні активи, отримуючи неправомірну вигоду.

Фінансові установи, такі як банки та біржі є ключовими елементами інфраструктури фінансових ринків. Кібератаки на ці установи можуть мати катастрофічні наслідки, призводячи до порушення торгових операцій, втрати даних та фінансових збитків.

Зловмисники можуть використовувати різноманітні методи кібератак, такі як розповсюдження шкідливого програмного забезпечення (вірусів, троянських коней, ransomware), атаки "відмова в обслуговуванні" (DDoS), злами систем та експлуатація вразливостей в програмному забезпеченні.

Успішна кібератака на критичну інфраструктуру фінансових установ може призвести до тимчасового або навіть довгострокового порушення роботи ринків, втрати довіри інвесторів та значних фінансових втрат.

В епоху соціальних медіа та миттєвого поширення інформації, розповсюдження дезінформації та фейкових новин стало одним з найбільших викликів для фінансових ринків. Неправдива інформація про компанії, економічні події або політичні рішення може швидко поширюватися та впливати на настрої інвесторів, провокуючи різкі коливання цін на активи.

Зловмисники можуть використовувати боти, тролів та автоматизовані системи для масового розповсюдження дезінформації в соціальних мережах, форумах та новинних ресурсах. Вони можуть навмисно поширювати неправдиві чутки або маніпулювати інформацією з метою отримання фінансової вигоди.

Наслідки розповсюдження дезінформації та фейкових новин можуть бути руйнівними для фінансових ринків, призводячи до хаосу, паніки інвесторів, втрати довіри та значної волатильності цін.

Ці чотири основні типи цифрових загроз ілюструють різноманітність та складність викликів, з якими стикаються фінансові ринки в цифрову епоху. Для ефективного аналізу їхнього впливу та розробки стратегій захисту необхідно ретельно вивчити характеристики кожної загрози, її можливі наслідки та ймовірність виникнення.

Застосування методів теорії ймовірностей та моделювання за допомогою Python дозволяє кількісно оцінити ризики, пов'язані з кожним типом цифрової загрози та розробити ефективні стратегії реагування та пом'якшення наслідків. Це допоможе забезпечити стабільність та ефективність фінансових ринків в умовах зростаючих кіберзагроз.

Після ідентифікації та класифікації цифрових загроз наступним кроком є моделювання їхнього потенційного впливу на фінансові ринки. Застосування методів теорії ймовірностей та моделювання дозволяє кількісно оцінити ризики та спрогнозувати наслідки різних сценаріїв цифрових атак або інцидентів.

Теорія ймовірностей є потужним інструментом для оцінки ризиків, пов'язаних з цифровими загрозами. Шляхом аналізу історичних даних та використання відповідних ймовірнісних розподілів, можна розрахувати ймовірність виникнення різних типів інцидентів, таких як крадіжки даних, кібератаки або випадки шахрайства. Одним із способів моделювання є використання байєсівських мереж, які дозволяють враховувати різні фактори ризику та їхні взаємозв'язки. Наприклад, модель може враховувати рівень кібербезпеки фінансової установи, кількість вразливостей у системах, історію атак та інші релевантні змінні для розрахунку ймовірності успішної кібератаки.

Розглянемо приклад використання байєсівських мереж для моделювання ймовірності успішної кібератаки на фінансову установу на основі різних факторів ризику. Цей приклад буде реалізований за допомогою Python та бібліотеки pgmpy.

Припустимо, що ми маємо такі змінні, які можуть впливати на ризик кібератаки:

- CyberSecurity: рівень кібербезпеки фінансової установи (низький, середній, високий)

- Systemvulnerabilities: кількість відомих вразливостей у системах установи (низька, середня, висока)

- AttackHistory: історія попередніх кібератак на установу (низька, середня, висока)

- DataSensitivity: чутливість даних, що обробляються установою (низька, середня, висока)

- SuccessfulAttack: чи буде успішна кібератака (так/ні)

Ми можемо створити байєсівську мережу, яка представляє взаємозв'язки між цими змінними та дозволяє обчислювати ймовірності різних подій.

import numpy as np

import pandas as pd

from pgmpy.models import BayesianModel

from pgmpy.estimators import

MaximumLikelihoodEstimator

from pgmpy.inference import VariableElimination

# Створення структури байєсівської мережі

model = BayesianModel([('CyberSecurity', 'SuccessfulAttack'), ('SystemVulnerabilities',

'SuccessfulAttack'), ('AttackHistory', 'SuccessfulAttack'), ('DataSensitivity', 'SuccessfulAttack')])

# Задання таблиць умовних ймовірностей (CPT)

cpd_cyber_security =

pd.DataFrame(np.random.rand(3, 1), columns=['SuccessfulAttack'], index=['low', 'medium', 'high'])

cpd_system_vuln = pd.DataFrame(np.random.rand(3,

1), columns=['SuccessfulAttack'], index=['low', 'medium', 'high'])

cpd_attack_history =

pd.DataFrame(np.random.rand(3, 1),

columns=['SuccessfulAttack'], index=['low', 'medium', 'high'])

cpd_data_sensitivity =

pd.DataFrame(np.random.rand(3, 1),

columns=['SuccessfulAttack'], index=['low', 'medium', 'high'])

cpd_successful_attack = pd.DataFrame(np.array([[0.2, 0.8], [0.8, 0.2]]), columns=['SuccessfulAttack_0',

'SuccessfulAttack_1'], index=['no', 'yes'])

# Додавання CPT до мережі

model.add_cpds(cpd_cyber_security, cpd_system_vul n, cpd_attack_history,

cpd_data_sensitivity, cpd_successful_attack)

# Встановлення доказів (приклад)

model.get_cpds('CyberSecurity').evidence = ['low']

model.get_cpds('SystemVulnerabilities').evidence = ['high']

model.get_cpds('AttackHistory').evidence =

['medium']

model.get_cpds('DataSensitivity').evidence = ['high']

# Обчислення ймовірності успішної кібератаки

infer = VariableElimination(model)

attack_prob = infer.query(['SuccessfulAttack'], evidence={'SuccessfulAttack_1': 1})

print(f"Ймовірність успішної кібератаки: {attack_prob['SuccessfulAttack'].values[1]:.2f}")

У цьому прикладі ми створюємо структуру байєсівської мережі з використанням бібліотеки pgmpy. Потім ми задаємо таблиці умовних ймовірностей (CPT) для кожної змінної. Зверніть увагу, що CPT для змінної 'SuccessfulAttack' залежить від інших змінних (CyberSecurity, SystemVulnerabilities, AttackHistory та DataSensitivity).

Далі ми встановлюємо докази (evidence) для кожної змінної. У цьому прикладі ми вказуємо, що рівень кібербезпеки низький, кількість вразливостей висока, історія атак середня, а чутливість даних висока.

Нарешті, ми використовуємо алгоритм Variable Elimination для обчислення ймовірності успішної кібератаки на основі наданих доказів та структури мережі.

Цей приклад демонструє, як можна використовувати байєсівські мережі для моделювання складних взаємозв'язків між факторами ризику та обчислення ймовірностей різних подій, таких як успішна кібератака. Такий підхід може бути корисним для оцінки ризиків та розробки стратегій кібербезпеки у фінансових установах.

Також можна застосовувати методи імітаційного моделювання, такі як метод Монте-Карло, для генерації великої кількості можливих сценаріїв та оцінки їхніх наслідків. Це дозволяє не лише розрахувати ймовірність виникнення певної загрози, але й проаналізувати потенційний вплив на фінансові показники, такі як ціни активів, волатильність та ліквідність ринків.

Наведемо приклад використання методу Монте- Карло для генерації можливих сценаріїв та оцінки наслідків цифрової атаки на фінансовий ринок. Цей приклад буде реалізований за допомогою Python та бібліотек NumPy та Pandas.

Припустимо, що ми хочемо оцінити вплив кібератаки на ціни акцій певної компанії. Ми будемо моделювати зміни цін акцій за допомогою геометричного броунівського руху (Geometric Brownian Motion, GBM), який є стандартною моделлю в теорії фінансів.

цифрова загроза фінансовий

import numpy as np

import pandas as pd

# Параметри моделювання

S0 = 100 # Початкова ціна акції

mu = 0.08 # Очікувана дохідність (річна)

sigma = 0.2 # Волатильність (річна)

T = 1 # Часовий горизонт (1 рік)

n_steps = 252 # Кількість торгових днів у році n_scenarios = 10000 # Кількість сценаріїв для моделювання

# Функція для генерації одного сценарію

def generate_scenario(S0, mu, sigma, T, n_steps):

dt = T / n_steps

drift = (mu - 0.5 * sigma ** 2) * dt

stoch = sigma * np.sqrt(dt) * np.random.normal(0, 1, n_steps)

prices = S0 * np.exp(np.cumsum(drift + stoch)) return prices

# Генерація сценаріїв без атаки scenarios_no_attack = [generate_scenario(S0, mu,

sigma, T, n_steps) for _ in range(n_scenarios)]

scenarios_no_attack =

pd.DataFrame(scenarios_no_attack).T

# Моделювання атаки

attack_impact = -0.3 # Негативний вплив атаки на ціну акцій (30% падіння)

attack_day = 125 # День, коли відбулася атака

# Генерація сценаріїв з атакою scenarios_with_attack = scenarios_no_attack.copy() scenarios_with_attack.iloc[:, attack_day:] *= (1 +

attack_impact)

# Розрахунок статистик

no_attack_stats = scenarios_no_attack.iloc[:, -

1].describe()

attack_stats = scenarios_with_attack.iloc[:, -

1].describe()

print("Статистики без атаки:")

print(no_attack_stats)

print("\nСтатистики з атакою:")

print(attack_stats)



У цьому прикладі ми моделюємо зміни цін акцій за допомогою GBM. Функція generate_scenario генерує один сценарій зміни ціни акцій протягом року, враховуючи задані параметри дохідності, волатильності та кількості торгових днів.

Ми генеруємо 10000 сценаріїв без атаки та зберігаємо їх у DataFrame Pandas. Потім ми моделюємо вплив кібератаки шляхом зменшення цін акцій на 30% (параметр attack_impact) у заданий день (attack_day). Це робиться шляхом копіювання початкових сценаріїв та модифікації значень після дня атаки.

Нарешті, ми проводимо статистику для обох наборів сценаріїв (без атаки та з атакою) за допомогою методу describe бібліотеки Pandas. Це дозволяє порівняти розподіли кінцевих цін акцій та оцінити наслідки кібератаки.

Цей приклад демонструє, як можна використовувати метод Монте-Карло для генерації великої кількості можливих сценаріїв зміни цін активів та моделювання впливу різних подій, таких як кібератаки. Такий підхід є корисним для оцінки ризиків та розробки стратегій управління ризиками у фінансовій сфері. Після оцінки ймовірностей виникнення цифрових загроз наступним кроком є моделювання їхнього впливу на ключові показники фінансових ринків, такі як ціни активів, волатильність та ліквідність.

Для моделювання змін цін активів у результаті цифрової атаки або інциденту можна використовувати методи часових рядів та прогнозування. Наприклад, можна побудувати ARIMA (Autoregressive Integrated Moving Average) або GARCH (Generalized Autoregressive Conditional Heteroskedasticity) моделі, які враховують вплив минулих значень та волатильність на майбутні ціни. Ці моделі можуть бути скориговані для включення ефектів цифрових загроз як додаткових факторів впливу.

Розглянемо приклад побудови ARIMA (Autoregressive Integrated Moving Average) моделі для прогнозування цін активу з урахуванням впливу минулих значень та волатильності, з врахуванням ефекту цифрових загроз як додаткового фактору впливу. У цьому прикладі ми будемо моделювати вплив гіпотетичної кібератаки на ціни активу. Ця модель буде реалізована за допомогою Python та бібліотек NumPy, Pandas і Statsmodels.

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from statsmodels.tsa.arima.model import ARIMA

# Генеруємо вхідні дані (часовий ряд цін активу) np.random.seed(42) n_samples = 1000

returns = np.random.normal(0, 0.01, n_samples) prices = [100]

for i in range(1, n_samples):

prices.append(prices[-1] * (1 + returns[i]))

prices = pd.Series(prices,

index=pd.date_range(start='2020-01-01', periods=n_samples, freq='D'))

# Моделюємо вплив кібератаки

attack_day = 500 # День, коли відбулася кібератака attack_impact = -0.2 # Негативний вплив атаки на ціну активу (20% падіння)

prices.iloc[attack_day:] *= (1 + attack_impact)

# Візуалізація вхідних даних plt.figure(figsize=(12, 6)) plt.plot(prices) plt.axvline(x=prices.index[attack_day], color='r',

linestyle='--', label-Кібератака')

plt.title('Часовий ряд цін активу з кібератакою')

plt.xlabel('Дата') plty^el^^') plt.legend() plt.show()

# Диференціювання для усунення нестаціонарності prices_diff = prices.diff().dropna()

# Підбір параметрів ARIMA моделі

model = ARIMA(prices_diff, order=(1, 1, 1), exog=np.zeros(len(prices_diff)))

model_fit = model.fit()

print(model_fit.summary())

# Прогнозування майбутніх цін з урахуванням кібератаки

n_periods = 30

forecast = model_fit.forecast(steps=n_periods, exog=np.zeros(n_periods))

forecast_prices = prices.iloc[-1] + forecast.cumsum()

# Візуалізація прогнозу plt.figure(figsize=(12, 6)) plt.plot(prices) plt.plot(forecast_prices.values) plt.axvline(x=prices.index[attack_day], color='r',

linestyle='--', label-Кібератака')

plt.title('Прогноз цін активу з урахуванням кібератаки')

plt.xlabel('Дата') plty^el^^') plt.legend(['Історичні дані', 'Прогноз']) plt.show()

У цьому прикладі ми спочатку генеруємо вхідні дані - часовий ряд цін активу, використовуючи випадковий процес з нормальним розподілом. Далі ми візуалізуємо вхідні дані для наочності та усуваємо нестаціонарність шляхом диференціювання часового ряду. Потім ми підбираємо параметри ARIMA моделі, використовуючи функцію ARIMA з бібліотеки Statsmodels. У нашому випадку ми будуємо модель ARIMA(1, 1, 1), що означає включення одного авторегресійного терміну, одного інтегрованого терміну (диференціювання) та одного терміну ковзного середнього. Модель підганяється до даних за допомогою методу fit, і ми виводимо підсумок моделі.

Також ми визначаємо день, коли відбулася кібератака (attack_day), та її негативний вплив на ціну активу (attack_impact). Вносимо зміни до часового ряду цін, зменшуючи значення після дня атаки на заданий відсоток (attack_impact). Візуалізуємо вхідні дані з позначенням дня кібератаки вертикальною лінією.

Під час підбору параметрів ARIMA моделі, ми додаємо додаткову екзогенну змінну (exog), яка дозволяє включити ефекти кібератаки. На цьому етапі ми передаємо масив нулів, оскільки ще не маємо значень для екзогенної змінної. Під час прогнозування майбутніх цін за допомогою підігнаної моделі, ми передаємо масив нулів як значення екзогенної змінної. Це означає, що ми припускаємо відсутність додаткових кібератак у майбутньому. Візуалізуємо прогнозовані ціни з позначенням дня кібератаки вертикальною лінією.

Цей приклад демонструє, як можна включити ефекти цифрових загроз, такі як кібератаки, до ARIMA моделі шляхом використання екзогенних змінних. Слід зазначити, що в цьому прикладі ми використовували простий спосіб моделювання впливу кібератаки (зменшення цін на фіксований відсоток). У реальних ситуаціях необхідно ретельно досліджувати та моделювати вплив цифрових загроз на основі історичних даних, експертних оцінок та відповідних припущень.



Висновки

Поєднання методів теорії ймовірностей, статистичного моделювання та програмування на Python забезпечує комплексний підхід до аналізу та зменшення впливу цифрових загроз на фінансові ринки. Такий підхід є надзвичайно важливим для підтримки стабільності, ефективності та довіри до фінансових ринків в умовах зростаючих кіберризиків та цифрових викликів.

Використання байєсівських мереж для моделювання рівня кібербезпеки фінансових установ, кількості вразливостей у системах, історії атак та інших факторів ризику дозволяє обчислити ймовірність успішної кібератаки, а метод Монте-Карло надає можливість оцінити такі їхні наслідки, як зміни цін активів, волатильності та ліквідності. Розробка інноваційного підходу до управління ризиками цифрових загроз у фінансовій сфері шляхом поєднання методів теорії ймовірностей, машинного навчання та сучасних технологій програмування сприятиме не лише підвищенню стійкості фінансових ринків до кіберризиків, а й забезпечуватиме їх ефективне функціонування в епоху цифрових трансформацій.



Література

1. Garita M. Applied Quantitative Finance: Using Python for Financial Analysis. Palgrave Pivot, 2020. 56 p.

2. Naik K. Hands-On Python for Finance: A Practical Guide to Implementing Financial Analysis Strategies Using Python. Packt Publishing. 2019. 378 p.

3. Jansen S. Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, Packt Publishing, 2020. 820 p.

4. Development of a cyber security risk model using Bayesian networks / J. Shin et al. Reliability Engineering & System Safety. 2015. Vol. 134. P. 208-217. DOI: https://doi.org/10.1016/j.ress.2014.10.006.

5. Big data, big challenges: risk management of financial market in the digital economy / J. Yang et al. Journal of Enterprise Information Management. 2022. Vol. 35 No. 4/5, pp. 1288-1304. DOI: https://doi.org/10.1108/JEIM-01-2021-0057

6. Wang J., Neil M., Fenton N. Bayesian network approach for cybersecurity risk assessment implementing and extending the FAIR model. Computers & Security. 2020. Vol. 89,101659. DOI: https://doi.org/10.1016/j.cose.2019.101659

7. Cybersecurity Threats and Their Mitigation Approaches Using Machine Learning-A Review / M. Ahsan et al. Journal of Cybersecurity and Privacy. 2022. Vol. 2 (3). P. 527-555. DOI: https://doi.org/10.3390/jcp2030027

8. Касьянова Н. В., Біличенко М. М., Севериненко А. О. Моделювання цифрової безпеки підприємства. Modern Economics. 2023. № 39(2023). С. 54-61. DOI: https://doi.org/10.31521/modecon.V39(2023)-08.

9. Кучмійова Т. С. Вплив цифрових технологій на сучасне суспільство: трансформаційні аспекти. Modern Economics. 2023. № 41(2023). С. 67-72. DOI: https://doi.org/10.31521/modecon.V41(2023)-10.

10. Economic security of the enterprise within the conditions of digital transformation / Y. Samoilenko et al. Economic affairs. 2022. Vol.

67, no. 4. DOI: https://doi.org/10.46852/0424-2513A2022.28

11. Sirenko N., Baryshevska I., Melnyk O. The genesis of financial market institutionalisation in ukraine: an international perspective. Scientific horizons. 2022. Vol. 24, no. 10. P. 97-108. DOI: https://doi.org/10.48077/scihor.24(10).2021.97-108

12. The impact of digital transformation on the economic security of Ukraine / S. Spivakovskyy et al. Studies of applied economics. 2021. Vol. 39, no. 5. DOI: https://doi.org/10.25115/eea.v39i5.5040

13. Development of directions for improving the monitoring of the state economic security under conditions of global instability / A. Poltorak et al. Eastern-European journal of enterprise technologies. 2023. Vol. 2, no. 13 (122). P. 17-27. DOI: https://doi.org/10.15587/1729-4061.2023.275834



References

1. Garita, M. (2020). Applied Quantitative Finance: Using Python for Financial Analysis. Palgrave Pivot.

2. Naik, K. (2019). Hands-On Python for Finance: A Practical Guide to Implementing Financial Analysis Strategies Using Python. Packt Publishing.

3. Jansen, S. (2020). Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python, Packt Publishing.

4. Shin, J., Son, H., Khalil, R., & Heo, G. (2015). Development of a cyber security risk model using Bayesian networks. Reliability Engineering & System Safety, 134, 208-217. https://doi.org/10.1016/j.ress.2014.10.006

5. Yang, J., Zhao, Y., Han, C., Liu, Y., & Yang, M. (2022). Big data, big challenges: risk management of financial market in the digital economy. Journal of Enterprise Information Management, 35, 4/5, 1288-1304. https://doi.org/10.1108/JEIM-01-2021-0057.

6. Wang, J., Neil, M., & Fenton, N. (2020). Bayesian network approach for cybersecurity risk assessment implementing and extending the FAIR model. Computers & Security, 89,101659. https://doi.org/10.1016/j.cose.2019.101659

7. Ahsan, M., Nygard, K. E., Gomes, R., Chowdhury, M., Rifat, N., & Connolly J. F. (2022). Cybersecurity Threats and Their Mitigation

Approaches Using Machine Learning-A Review. Journal of Cybersecurity and Privacy, 2 (3), 527-555.

https://doi.org/10.3390/jcp2030027

8. Kasianova N., Bilychenko M., Severynenko A. (2023). Modeling the digital security of the enterprise. Modern Economics, 39(2023), 5461. https://doi.org/10.31521/modecon.V39(2023)-08.

9. Kuchmiiova T. (2023). Impact of Digital Technologies on Modern Society: Transformational Aspects. Modern Economics, 41(2023), 6772. https://doi.org/10.31521/modecon.V41(2023)-10.

10. Samoilenko, Y., Britchenko, I., Levchenko, I., Losonczi, P., Bilichenko, O., & Bodnar, O. (2022). Economic security of the enterprise within the conditions of digital transformation. Economic Affairs, 67(4). https://doi.org/10.46852/0424-2513.4.2022.28.

11. Sirenko, N., Baryshevska, I., & Melnyk, O. (2022). The genesis of financial market institutionalisation in Ukraine: An international perspective. Scientific Horizons, 24(10), 97-108. https://doi.org/10.48077/scihor.24(10).2021.97-108.

12. Spivakovskyy, S., Kochubei, O., Shebanina, O., Sokhatska, O., Yaroshenko, I., & Nych, T. (2021). The impact of digital transformation on the economic security of Ukraine. Studies of Applied Economics, 39(5). https://doi.org/10.25115/eea.v39i5.5040.

13. Poltorak, A., Volosyuk, Y., Tyshchenko, S., Khrystenko, O., & Rybachuk, V. (2023). Development of directions for improving the monitoring of the state economic security under conditions of global instability. Eastern-European Journal of Enterprise Technologies, 2(13 (122)), 17-27. https://doi.org/10.15587/1729-4061.2023.275834

Размещено на Allbest.ru