Analysis of Medium-Term Forecasting Methods for Processes with Structural Shifts in Financial and Commodity Markets

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Medium-term price forecasting methods for financial and commodity markets are considered. The forecasted processes are nonstationary and nonlinear; they contain structural shifts arising due to systemic changes in the market structure and extreme events affecting the market. The probability of structural shifts grows with increasing the forecasting horizon, so the forecasting problem should be solved considering possible changes in the process of interest on the forecasting horizon. To forecast future changes in the process, it is necessary to expand the information field of the forecast, i.e., include expert judgments and the results of qualitative analysis of the processes, e.g., using the methods of fundamental analysis, cognitive analysis, and their implementation algorithms. Medium-term price forecasting in financial and commodity markets is a necessary element in the planning and management of socio-economic and production systems and investment management. This survey addresses the peculiarities of the forecasted processes determining the requirements for medium-term forecasting methods, their implementation, and the selection of necessary information included in the forecast to detect future changes in the process and their causal factors. Models and methods of statistical forecasting, artificial intelligence, and fractal analysis are considered, in addition to those using information from various sources in the forecasting algorithm: expert judgments, news about extreme events, and search engine data. The results of this survey are summarized in the context of medium-term forecasting. Finally, some promising lines of research in this area are outlined.

Авторлар туралы

Z. Avdeeva

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: avdeeva@ipu.ru
Moscow, Russia

E. Grebenyuk

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: lngrebenuk12@yandex.ru
Moscow, Russia

S. Kovriga

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: kovriga@ipu.ru
Moscow, Russia

Әдебиет тізімі

  1. Мировая экономика и международный бизнес / под общ. ред. В.В. Полякова и Р.К. Щенина. – 5-е изд., стер. – М.: КНОРУС, 2008. – 688 с.
  2. Международная практика прогнозирования мировых цен на финансовых рынках (сырье, акции, курсы валют). Под ред. Я. Миркина – М: Магистр, 2014. – 456 с.
  3. Graefe, A., Weinhardt, C. Long-Term Forecasting with Prediction Markets – A Field Experiment on Applicability and Expert Confidence // The Journal of Prediction Markets. – 2008. – Vol. 2, no. 2. – P. 71–91.
  4. Jiang, M., Wang, K., Sun, Y., et al. MLGN: Multi-scale Local-Global Feature Learning Network for Long-Term Series Forecasting // Machine Learning: Science and Technology. – 2023. – Vol. 4, no. 4. – DOI: https://doi.org/10.1088/2632-2153/ad1436
  5. Zellner, M., Abbas, A.E., Budescu, D.V., Galstyan, A. A Survey of Human Judgement and Quantitative Forecasting Methods // R. Soc. Open Sci. – 2021. – Vol. 8. – Art. no. 201187. – DOI: https://doi.org/10.1098/rsos.201187
  6. Mediavilla, M. A., Dietrich, F., Palm, D. Review and Analysis of Artificial Intelligence Methods for Demand Forecasting in Supply Chain Management // Procedia CIRP. – 2022. – Vol. 107. – P. 1126–1131.
  7. Kumar, G., Jain, S., Singh, U.P. Stock Market Forecasting Using Computational Intelligence: A Survey // Archives of Computational Methods in Engineering. – 2021. – Vol. 28, no. 3. – P. 1069–1101.
  8. Zheng, H., Wu, J., Song, R., et al. Predicting Financial Enterprise Stocks and Economic Data Trends Using Machine Learning Time Series Analysis. Applied and Computational Engineering. – 2024. – Vol. 87. – P. 26–32.
  9. Fattouh, B., Mahadeva, L. Causes and Implications of Shifts in Financial Participation in Commodity Markets // Journal of Futures Markets. – 2014. – Vol. 34, no. 8. – P. 757–787.
  10. Fan, Y., Xu, J.H. What Has Driven Oil Prices since 2000? A Structural Change Perspective // Energy Economics. – 2011. – Vol. 33, no. 6. – P. 1082–1094.
  11. Покровская А.В. Анализ структурных сдвигов на рынке ценных бумаг России в период 2019–2022 гг. // Вестник Томского государственного университета. Экономика. – 2023. – № 63. – С. 118–134.
  12. Hunjra, A.I., Azam, M., Niazi, G.S.K., et al. Risk and Return Relationship in Stock Market and Commodity Prices: A Comprehensive Study of Pakistani Markets // World Applied Sciences Journal. – 2011. – Vol. 13, no. 3. – P. 470–481.
  13. Mensi, W., Beljid, M., Boubaker, A., Managi, S. Correlations and Volatility Spillovers across Commodity and Stock Markets: Linking Energies, Food, and Gold // Economic Modelling. – 2013. – Vol. 32. – P. 15–22.
  14. Öztek, M.F., Öcal, N. Financial Crises and the Nature of Correlation between Commodity and Stock Markets // International Review of Economics & Finance. – 2017. – Vol. 48. – P. 56–68.
  15. Kosko, B. Fuzzy Cognitive Maps // Int. J. Man. Mach. Stud. – 1986. – Vol. 24, no. 1. – P. 65–75.
  16. Авдеева З.К., Коврига С.В. Диагностирование проблемных ситуаций в развитии сложных систем на основе когнитивных карт // Управление большими системами. – 2013. – Вып. 42. – С. 5–28.
  17. Авдеева З.К., Коврига С.В. Подход к постановке задач управления на когнитивной модели ситуации для стратегического мониторинга // Управление большими системами. – 2016. – Вып. 59. – С. 120–146.
  18. Stock, J.H., Watson, M.W. Evidence on Structural Instability in Macroeconomic Time Series Relations // Journal of Business & Economic Statistics. – 1996. – Vol. 14, no. 1. – P. 11–30.
  19. Lazariv, T., Schmid, W. Challenges in Monitoring Non-stationary Time Series. In: Frontiers in Statistical Quality Control. Ed. by S. Knoth, S., W. Schmid. – Cham: Springer, 2018. – DOI: https://doi.org/10.1007/978-3-319-75295-2_14
  20. Гребенюк Е.А. Алгоритмы обнаружения изменений свойств нестационарных процессов в режиме мониторинга // Труды XIV Международной конференции «Управление развитием крупномасштабных систем» (MLSD-2021). – Москва, 2021. – С. 738–746.
  21. Mandelbrot, B.B. Fractals and Scaling in Finance. – New York: Springer, 1997. – 552 p.
  22. Peters, E.E. Fractal Market Analysis. Applying Chaos Theory to Investment & Economics. – New York: J. Wiley & Sons, 1994. – 336 p.
  23. Perron, P. The Great Crash, the Oil Price Shock and the Unit Root Hypothesis // Econometrica. – 1989. – Vol. 57, no. 6. – P. 1361–1401.
  24. Kwiatkowski, D., Phillips, P., Schmidt, P. Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root: How Sure Are We That Economic Time Series Have a Unit Root? // Journal of Econometrics. – 1992. – Vol. 54, no. 1-3. – P. 159–178.
  25. Скроботов А.А. Структурные сдвиги и тестирование на единичный корень // Прикладная эконометрика. – 2020. – T. 58. – С. 96–141.
  26. Casini, A., Perron, P. Structural Breaks in Time Series // Oxford Research Encyclopedia of Economics and Finance. – 2019. – DOI: https://doi.org/10.1093/acrefore/9780190625979.013.179
  27. Бродский Б.Е. Структурные сдвиги и единичные корни: различение моделей нестационарности временных рядов // Прикладная эконометрика. – 2008. – №. 3. – С. 52–63.
  28. Полбин А.В., Скроботов А.А. Тестирование наличия изломов в тренде структурной компоненты ВВП Российской Федерации // Экономический журнал Высшей школы экономики. – 2016. – Т. 20, № 4. – С. 588–623.
  29. Engle, R.F., Granger, C.W.J. Co-Integration and Error-Correction: Representation, Estimation, and Testing // Econometrica. – Vol. 55. – P. 251–276.
  30. Johansen, S. Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. – Oxford: Oxford University Press, 1995. – 267 p.
  31. Скроботов А.А. Структурные сдвиги в моделях коинтеграции // Прикладная эконометрика. – 2021. – № 3. – С. 117–141.
  32. Bontempi, G. Long Term Time Series Prediction with Multi-input Multi-output Local Learning // Proceedings of the 2nd European Symposium on Time Series Prediction (ESTSP08). – Helsinki, Finland, 2008. – P. 145–154.
  33. Bates, J.M., Granger, C.W.J. The Combination of Forecasts // Journal of the Operational Research Society. – 1969. – Vol. 20, no. 4. – P. 451–468.
  34. Armstrong, J.S. Combining Forecasts. In: Principles of Forecasting. A Handbook for Researchers and Practitioners. Ed. by J.S. Armstrong. – Boston: Kluwer Academic Publishers, 2001. – P. 417–440.
  35. Makridakis, S., Spiliotis, E., Assimakopoulos, V. The M4 Competition: Results, Findings, Conclusion and Way Forward // International Journal of Forecasting. – 2018. – Vol. 34, no. 4. – P. 802–808.
  36. Atiya, A.F. Why Does Forecast Combination Work So Well? // International Journal of Forecasting. – 2020. – Vol. 36, no. 1. – P. 197–200.
  37. Wang, X., Hyndman, R.J., Li, F., Kang, Y. Forecast Combinations: An over 50-Year Review // International Journal of Forecasting. – 2023. – Vol. 39, no. 4. – P. 1518–1547.
  38. Hoeting, J.A., Madigan, D., Raftery, A.E., Volinsky, C.T. Bayesian Model Averaging: A Tutorial // Statistical Science. – 1999. – Vol. 14, no. 4. – P. 382–417.
  39. Maheu, J.M., Gordon, S. Learning, Forecasting and Structural Breaks // Journal of Applied Econometrics. – 2008. – Vol. 23, no. 5. – P. 553–583.
  40. Pesaran, M.H., Pettenuzzo, D., Timmermann, A. Forecasting Time Series Subject to Multiple Structural Breaks // The Review of Economic Studies. – 2006. – Vol. 73, no. 4. – P. 1057–1084.
  41. Avdeeva, Z.K., Grebenyuk, Е.А., Kovriga, S.V. Raw Material Price Forecasting on Commodity Markets: Application of Expert and Quantitative Information // Advances in Systems Science and Applications. – 2022. – Vol. 22, no. 4. – P. 126–143.
  42. Giraitis, L., Kapetanios, G., Price, S. Adaptive Forecasting in the Presence of Recent and Ongoing Structural Change // Journal of Econometrics. – 2013. – Vol. 177, no. 2. – P. 153–170.
  43. Junttila, J. Structural Breaks, ARIMA Model and Finnish Inflation Forecasts // International Journal of Forecasting. – 2001. – Vol. 17, no. 2. – P. 203–230.
  44. Diebold, F.X., Pauly, P. Structural Change and the Combination of Forecasts // Journal of Forecasting. – 1987. – Vol. 6, no. 1. – P. 21–40.
  45. Goodwin, B.K. Forecasting Cattle Prices in the Presence of Structural Change // Journal of Agricultural and Applied Economics. – 1992. – Vol. 24, no. 2. – P. 11–22.
  46. Raftery, A.E., Kárný, M., Ettler, P. Online Prediction under Model Uncertainty via Dynamic Model Averaging: Application to a Cold Rolling Mill // Technometrics. – 2010. – Vol. 52, no. 1. – P. 52–66.
  47. Byrne, J.P., Korobilis, D., Ribeiro, P.J. On the Sources of Uncertainty in Exchange Rate Predictability // International Economic Review. – 2018. – Vol. 59, no. 1. – P. 329–357.
  48. Aye, G., Gupta, R., Hammoudeh, S., Kim, W.J. Forecasting the Price of Gold Using Dynamic Model Averaging // International Review of Financial Analysis. – 2015. – Vol. 41. – P. 257–266.
  49. Koop, G., Korobilis, D. Large Time-Varying Parameter VARs // Journal of Econometrics. – 2013. – Vol. 177, no. 2. – P. 185–198.
  50. Taieb, S.B., Hyndman, R. Recursive and Direct Multi-step Forecasting: The Best of Both Worlds. Working Paper 19/12. – Melbourne: Monash University, Department of Econometrics and Business Statistics, 2012. – 36 p.
  51. Taieb, S.B., Sorjamaa, A., Bontempi, G. Multiple-Output Modeling for Multi-step-ahead Time Series Forecasting // Neurocomputing. – 2010. – Vol. 73. – P. 1950–1957.
  52. Livieris, I.E., Pintelas, P. A Novel Multi-step Forecasting Strategy for Enhancing Deep Learning Models’ Performance // Neural Computing and Applications. – 2022. – Vol. 34. – P. 19453–19470. – DOI: https://doi.org/10.1007/s00521-022-07158-9
  53. Sezer, O.B., Gudelek, M.U., Ozbayoglu, A.M. Financial Time Series Forecasting with Deep Learning: A Systematic Literature Review: 2005–2019 // Applied Soft Computing. – 2020. – Art. no. 106181. – DOI: https://doi.org/10.1016/j.asoc.2020.106181
  54. Mahmoud, A., Mohammed, A. A Survey on Deep Learning for Time-Series Forecasting. In: Machine Learning and Big Data Analytics Paradigms: Analysis, Applications and Challenges. Ed. by A.E. Hassanien and A. Darwish. – Cham: Springer, 2021. – P. 365–392.
  55. Li, Z., Fan, C., Ding, W., Qian, K. Robot Navigation and Map Construction Based on SLAM Technology // World Journal of Innovation and Modern Technology. – 2024. – Vol. 7, iss. 3. – P. 8–14. – DOI: https://doi.org/10.53469/wjimt.2024.07(03).02
  56. Dessaint, O., Foucault, T., Frésard, L. Does Alternative Data Improve Financial Forecasting? The Horizon Effect // The Journal of Finance. – 2024. – Vol. 79, no. 3. – P. 2237–2287.
  57. Lee, S.I., Yoo, S.J. Threshold-Based Portfolio: The Role of the Threshold and Its Applications // The Journal of Supercomputing. – 2020. – Vol. 76, no. 10. – P. 8040–8057.
  58. Dingli, A., Fournier, K.S. Financial Time Series Forecasting – Deep Learning Approach // International Journal of Machine Learning and Computing. – 2017. – Vol. 7, no. 5. – P. 118–122.
  59. Luo, Z., Guo, W., Liu, Q., Zhang, Z. A Hybrid Model for Financial Time‐Series Forecasting Based on Mixed Methodologies // Expert Systems. – 2021. – Vol. 38, no. 2. – Art. no. e12633.
  60. Zhang, G., Zhang, X., Feng, H. Forecasting Financial Time Series Using a Methodology Based on Autoregressive Integrated Moving Average and Taylor Expansion // Expert Systems. – 2016. – Vol. 33, no. 5. – P. 501–516.
  61. Wu, Z., Huang, N.E. Ensemble Empirical Mode Decomposition: A Noise-Assisted Data Analysis Method // Adv. Adapt. Data Anal. – 2009. – Vol. 1, no. 01. – P. 1–41. – DOI: https://doi.org/10.1142/S1793536909000047
  62. Yang, H., Lin, H. Applying the Hybrid Model of EMD, PSR, and ELM to Exchange Rates Forecasting // Computational Economics. – 2017. – Vol. 49, no. 1. – P. 99–116.
  63. García, D., Kristjanpoller, W. An Adaptive Forecasting Approach for Copper Price Volatility through Hybrid and Non-hybrid Models // Applied Soft Computing. – 2019. – Vol. 74. – P. 466–478.
  64. Peng, C.K., Havelin, S., Stanley, H.E., Goldberger, A.L. Quantification of Scaling Exponents and Crossover Phenomena in Nonstationary Time Series // Chaos. – 1995. – No. 5. – P. 82–89.
  65. Mali, P., Mukhopadhyay, A. Multifractal Characterization of Gold Market: A Multifractal Detrended Fluctuation Analysis // Physica: A Statistical Mechanics and its Applications. – 2014. – Vol. 413. – P. 361–372.
  66. Podobnik, B., Stanley, H.E. Detrended Cross-correlation Analysis: A New Method for Analyzing Two Non-stationary Time Series // Phys. Rev. Lett. – 2008. – Vol. 100. – Art. no. 084102.
  67. Granger, C.W.J., Joyeux, R. An Introduction to Long‑Memory Time Series Models and Fractional Differencing // Journal of Time Series Analysis. – 1980. – Vol. 1, no. 1. – P. 15–30.
  68. Jiang, Z.Q., Xiea, W.J., Zhoua, W.X., Sornette, D. Multifractal Analysis of Financial Markets: A Review // Reports on Progress in Physics. – 2019. – Vol. 82, no. 12. – Art. no. 125901.
  69. Гарафутдинов Р.В. Исследование влияния некоторых параметров модели ARFIMA на точность прогноза финансовых временных рядов // Прикладная эконометрика. – 2021. – Т. 62. – С. 85–100.
  70. Ellis, C., Wilson, P. Another Look at the Forecast Performance of ARFIMA Models // International Review of Financial Analysis. – 2004. – Vol. 13, no. 1. – P. 63–81.
  71. Xiu, J., Jin, Y. Empirical Study of ARFIMA Model Based on Fractional Differencing // Physica: A Statistical Mechanics and its Applications. – 2007. – Vol. 377, no. 1. – P. 138–154.
  72. Shittu, O.I., Yaya, O.S. Measuring Forecast Performance of ARMA and ARFIMA Models: An Application to US Dollar/UK Pound Foreign Exchange Rate // European Journal of Scientific Research. – 2009. – Vol. 32, no. 2. – P. 167–176.
  73. Jadhav, V., Chinnappa, R.B.V., Gaddi, G.M. Application of ARIMA Model for Forecasting Agricultural Prices // J. Agr. Sci. Tech. – 2017. – Vol. 19, no. 5. – P. 981–992.
  74. Boutahar, M., Mootamri, I., Peguin-Feissolle, A. A Fractional Integrated Exponential STAR Model Applied to the US Real Effective Exchange Rates // Economic Modelling. – 2009. – Vol. 26. – P. 335–341.
  75. Papailias, F., Dias, G.F. Forecasting Long Memory Series Subject to Structural Change: A Two-Stage Approach // International Journal of Forecasting. – 2015. – Vol. 31, no. 4. – P. 1056–1066.
  76. Bukhari, A.H., Raja, M.A.Z., Sulaiman, M., et al. Fractional Neuro-Sequential ARFIMA-LSTM for Financial Market Forecasting // IEEE Access. – 2020. – Vol. 8. – P. 71326–71338.
  77. Kristoufek, L. Fractal Markets Hypothesis and the Global Financial Crisis: Scaling, Investment Horizons and Liquidity // Advances in Complex Systems. – 2012. – Vol. 15, no. 6. – Art. no. 1250065.
  78. Taylor, S.J., Letham, B. Forecasting at Scale // The American Statistician. – 2018. – Vol. 72, no. 1. – P. 37–45.
  79. Baumeister, C., Kilian, L. Forecasting the Real Price of Oil in a Changing World: A Forecast Combination Approach, Journal of Business & Economic Statistics. – 2015. – Vol. 33, no. 3. – P. 338–351.
  80. Li, X., Ma, J., Wang, S., Zhang, X. How Does Google Search Affect Trader Positions and Crude Oil Prices? // Economic Modelling. – 2015. – Vol. 49. – P. 162–171.
  81. Tang, L., Zhang, C., Li, L., Wang, S. A Multi-scale Method for Forecasting Oil Price with Multi-factor Search Engine Data // Applied Energy. – 2020. – Vol. 257. – Art. no. 114033.
  82. Xu, W., Liu, W., Xu, C., et al. REST: Relational Event-Driven Stock Trend Forecasting // Proceedings of the Web Conference WWW’2021. – New York, 2021. – P. 1–10. – DOI: https://doi.org/10.1145/3442381.3450032
  83. Zhang, X., Yu, L., Wang, S., Lai, K.K. Estimating the Impact of Extreme Events on Crude Oil Price: An EMD-Based Event Analysis Method // Energy Economics. – 2009. – Vol. 31, no. 5. – P. 768–778.
  84. Zhao, L., Liu, W., Zhou, M., Wen, F. Extreme Event Shocks and Dynamic Volatility Interactions: The Stock, Commodity, and Carbon Markets in China // Finance Research Letters. – 2022. – Vol. 47. – Art. no. 102645.
  85. Marmier, F., Cheikhrouhou, N. Structuring and Integrating Human Knowledge in Demand Forecasting: A Judgmental Adjustment Approach // Production Planning & Control. – 2010. – Vol. 21, no. 4. – P. 399–412.
  86. Felix, G., Nápole, G., Falcon, R., Froelich, W. A Review on Methods and Software for Fuzzy Cognitive Maps // Artif. Intell. Rev. – 2019. – Vol. 52. – P. 1707–1737.
  87. Orang, O., de Lima e Silva, P.C., Guimarães, F.G. Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey // Artif. Intell. Rev. – 2023. – Vol. 56. – P. 7733–7794.
  88. Hong, T., Han, I. Integrated Approach of Cognitive Maps and Neural Networks Using Qualitative Information on the World Wide Web: The KBNMiner // Expert Systems. – 2004. – Vol. 21, no. 5. – P. 243–252.
  89. Аверкин А.Н., Ярушев С.А., Павлов В.Ю. Когнитивные гибридные системы поддержки принятия решений и прогнозирования // Программные продукты и системы. – 2017. – T. 30, № 4. – С. 632–642.
  90. Авдеева З.К., Гребенюк Е.А., Коврига С.В. Формирование среднесрочных помесячных прогнозов цен на сырье на основе экспертной и количественной информации // Автоматизация в промышленности. – 2022. – № 5. – С. 38–45.
  91. Avdeeva, Z.K., Grebenyuk, E.A., Kovriga, S.V. Detection of Structural Shifts in Commodity Markets in the Mode of Situation and Digital Monitoring // IFAC-PapersOnLine. – 2023. – Vol. 56, no. 2. – P. 7778–7783.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».