The object of research, development or design (in Russian) : Зеленые облигации в целом, и в частности, Казахстанские финансовые рынки: Казахстанская фондовая биржа (Kazakhstan Stock Exchange — KASE) и Astana International Exchange (AIX)

The object of research, development or design (in Kazakh) : Жалпы жасыл облигациялар, атап айтқанда қазақстандық қаржы нарықтары: Қазақстан қор биржасы (Қазақстан қор биржасы – KASE) және Астана халықаралық биржасы (AIX)

Aim of work (in Russian) : Цель проекта – построить модель на основе глубоких искусственных нейронных сетей для прогнозирования значение индекса корпоративных зеленых облигаций и определить гипер-параметры модели, наиболее значимо влияющие на данный индекс.

Aim of work (in Kazakh) : Жобаның мақсаты – корпоративтік жасыл облигациялар индексінің мәнін болжау және осы индекске айтарлықтай әсер ететін модельдің гипер-параметрлерін анықтау үшін терең жасанды нейрондық желілер негізінде модель құру.

Методы исследования (на русском) : В ходе проекта будут применяться следующие подходы и методы: 1) системно-функциональный подход, который позволит конструктивно и эффективно использовать теоретические положения, научные принципы и концептуальные позиции; 2) теоретические и эмпирические методы, среди которых логический анализ, дедуктивный синтез, научное обобщение, аналогия, прогнозирование, наблюдение, анализ государственных документов, контент-анализ прессы, сравнительный анализ, статистические группировки; 3) математические и алгоритмические методы.

Методы исследования (на казахском) : Жобаны жүзеге асыру барысында келесі тәсілдер мен әдістер қолданылады: 1) теориялық принциптерді, ғылыми принциптер мен тұжырымдамалық ұстанымдарды конструктивті және тиімді пайдалануға мүмкіндік беретін жүйелік-функционалдық тәсіл; 2) теориялық және эмпирикалық әдістер, оның ішінде логикалық талдау, дедуктивті синтез, ғылыми жалпылау, аналогия, болжау, бақылау, мемлекеттік құжаттарды талдау, баспасөздің мазмұнын талдау, салыстырмалы талдау, статистикалық топтастыру; 3) математикалық және алгоритмдік әдістер.

Obtained results and novelty (in Russian) : 1. Определены метрики оценки точности и применимости различных по прогнозированию цен закрытия. По результатам исследований выделены основные метрики, которые дадут возможность определять эффективность модельных «бенчмарков». В их число вошли метрики: MASE, MSE и CoD (или R2). В качестве эталонных моделей были выбраны: LR, SVN и KNN. В последующих исследованиях дополнительные разработанные модели будут сопоставлены с эталонными. 2. Дана оценка прогностических моделей на цены зеленых облигаций, составляющих эталонный индекс фондовой биржи Казахстана (KASE), которые ранее не изучались в контексте глубокого обучения. Рассмотрены различные модели с учётом метрик точности прогнозирования, определенных в Разделе №1. Данная выборка была дополнена моделью на архитектуре глубокого обучения LSTM. По результатам проведенной оценки эффективности прогностических моделей получены значения метрик и была доказана возможность их применения на практике. Определен необходимый набор данных для подтверждения гипотез и возможные дополнительные методы и модели для улучшения предсказательной эффективности моделей глубокого обучения.

Obtained results and novelty (in Kazakh) : 1. Болжау үшін әртүрлі жабылу бағаларының дәлдігі мен қолданылуын бағалау көрсеткіштері анықталды. Зерттеу нәтижелерінің негізінде модель «эталондарының» тиімділігін анықтауға мүмкіндік беретін негізгі көрсеткіштер анықталды. Олар келесі көрсеткіштерді қамтиды: MASE, MSE және CoD (немесе R2). Таңдалған анықтамалық үлгілер: LR, SVN және KNN. Кейінгі зерттеулерде қосымша әзірленген модельдер анықтамалық үлгілермен салыстырылады. 2. Қазақстан қор биржасының (KASE) эталондық индексін құрайтын жасыл облигациялар бағасының болжамды үлгілеріне баға берілді, олар бұрын тереңдетіп оқыту контекстінде зерттелмеген. Бірінші кезеңде анықталған болжау дәлдігі көрсеткіштерін ескере отырып, әртүрлі үлгілер қарастырылды. Бұл үлгі LSTM терең оқыту архитектурасына негізделген үлгімен толықтырылды. Болжамдық модельдердің тиімділігін бағалау нәтижелері бойынша көрсеткіштердің мәндері алынды және оларды тәжірибеде қолдану мүмкіндігі дәлелденді. Гипотезаларды растау үшін қажетті деректер жиынтығы және терең оқыту үлгілерінің болжамдық өнімділігін жақсарту үшін ықтимал қосымша әдістер мен модельдер анықталды.

The main constructive and technical economic indicators (in Russian) : 1. Определены метрики оценки точности и применимости различных по прогнозированию цен закрытия. По результатам исследований выделены основные метрики, которые дадут возможность определять эффективность модельных «бенчмарков». В их число вошли метрики: MASE, MSE и CoD (или R2). В качестве эталонных моделей были выбраны: LR, SVN и KNN. В последующих исследованиях дополнительные разработанные модели будут сопоставлены с эталонными. 2. Дана оценка прогностических моделей на цены зеленых облигаций, составляющих эталонный индекс фондовой биржи Казахстана (KASE), которые ранее не изучались в контексте глубокого обучения. Рассмотрены различные модели с учётом метрик точности прогнозирования, определенных в Разделе №1. Данная выборка была дополнена моделью на архитектуре глубокого обучения LSTM. По результатам проведенной оценки эффективности прогностических моделей получены значения метрик и была доказана возможность их применения на практике. Определен необходимый набор данных для подтверждения гипотез и возможные дополнительные методы и модели для улучшения предсказательной эффективности моделей глубокого обучения.

The main constructive and technical economic indicators (in Kazakh) : 1. Болжау үшін әртүрлі жабылу бағаларының дәлдігі мен қолданылуын бағалау көрсеткіштері анықталды. Зерттеу нәтижелерінің негізінде модель «эталондарының» тиімділігін анықтауға мүмкіндік беретін негізгі көрсеткіштер анықталды. Олар келесі көрсеткіштерді қамтиды: MASE, MSE және CoD (немесе R2). Таңдалған анықтамалық үлгілер: LR, SVN және KNN. Кейінгі зерттеулерде қосымша әзірленген модельдер анықтамалық үлгілермен салыстырылады. 2. Қазақстан қор биржасының (KASE) эталондық индексін құрайтын жасыл облигациялар бағасының болжамды үлгілеріне баға берілді, олар бұрын тереңдетіп оқыту контекстінде зерттелмеген. Бірінші кезеңде анықталған болжау дәлдігі көрсеткіштерін ескере отырып, әртүрлі үлгілер қарастырылды. Бұл үлгі LSTM терең оқыту архитектурасына негізделген үлгімен толықтырылды. Болжамдық модельдердің тиімділігін бағалау нәтижелері бойынша көрсеткіштердің мәндері алынды және оларды тәжірибеде қолдану мүмкіндігі дәлелденді. Гипотезаларды растау үшін қажетті деректер жиынтығы және терең оқыту үлгілерінің болжамдық өнімділігін жақсарту үшін ықтимал қосымша әдістер мен модельдер анықталды.

Level of implementation (in Russian) : Использование глубокого искусственного интеллекта (ГИИ) для прогнозирования рынка зеленых бумаг может быть эффективным, но существует несколько факторов, которые следует учитывать. Качество данных: Для обучения моделей ГИИ необходимы обширные и качественные данные. В случае с рынком зеленых бумаг, качество данных может быть проблемой, поскольку они могут быть менее доступными или менее структурированными, чем данные традиционных финансовых рынков. Неопределенность рынка: Рынок зеленых бумаг обычно подвержен влиянию политических решений, изменениям законодательства и другим факторам, которые могут оказывать значительное влияние на цены. Эти переменные могут осложнить точное прогнозирование даже для передовых моделей ГИИ. Интерпретируемость моделей: Глубокие нейронные сети могут быть сложными и трудными для интерпретации, что делает сложным понимание того, как модель делает свои прогнозы. В случае финансовых рынков это может быть особенно важно для понимания рисков и принятия обоснованных инвестиционных решений. Регулятивные ограничения: Существуют ограничения и регулятивные нормы, которые ограничивают применение ГИИ в финансовых институтах, особенно в отношении прогнозирования рыночных трендов. Не смотря на эти ограничения, современные методы ГИИ могут быть эффективными в выявлении сложных паттернов и тенденций на рынке, которые могут помочь инвесторам и аналитикам в принятии более обоснованных решений. Однако, их применение должно быть сбалансированным с другими

Level of implementation (in Kazakh) : Жасыл қор нарығын болжау үшін терең жасанды интеллект пайдалану тиімді болуы мүмкін, бірақ бірнеше факторларды ескеру қажет. Деректер сапасы: жасанды интеллект үлгілерін оқыту ауқымды және жоғары сапалы деректерді қажет етеді. Жасыл нарық жағдайында деректер сапасы мәселе болуы мүмкін, себебі ол дәстүрлі қаржы нарықтарындағы деректерге қарағанда қол жетімді емес немесе құрылымдалмаған болуы мүмкін. Нарықтың белгісіздігі: жасыл нарық әдетте саяси шешімдерге, реттеуші өзгерістерге және бағаларға айтарлықтай әсер етуі мүмкін басқа факторларға бағынады. Бұл айнымалылар жасанды интеллекттің жетілдірілген үлгілері үшін де дәл болжауды қиындатады. Модельдің интерпретациялануы: Терең нейрондық желілер күрделі және түсіндіру қиын болуы мүмкін, бұл модель өз болжамдарын қалай жасайтынын түсінуді қиындатады. Қаржы нарықтары жағдайында бұл тәуекелдерді түсіну және негізделген инвестициялық шешімдер қабылдау үшін әсіресе маңызды болуы мүмкін. Реттеушілік шектеулер: Қаржы институттарында жасанды интеллект пайдалануды шектейтін шектеулер мен ережелер бар, әсіресе нарықтық үрдістерді болжауға қатысты. Осы шектеулерге қарамастан, заманауи жасанды интеллект әдістері инвесторлар мен талдаушыларға неғұрлым негізделген шешімдер қабылдауға көмектесетін нарықтағы күрделі үлгілер мен үрдістерді анықтауда тиімді болуы мүмкін. Дегенмен, оларды пайдалану тәуекелді талдау мен бағалаудың басқа әдістерімен теңгерімді болуы керек және шешім қабылдау әрқашан тәуекелді қамтитынын есте ұстаған жөн.

Efficiency (in Russian) : находится на раннем стадии исследования

Efficiency (in Kazakh) : зерттеудің бастапқы сатысында

Field of application (in Russian) : рынок зеленого финансирования и, в частности, рынок ценных бумаг, через возможность применения разработанного комплекса мероприятий по повышению привлекательности зеленых бумаг в Казахстане, направленных на обеспечение прозрачности финансовых потоков, предотвращение оттоков капитала, возможностей дальнейшего его реинвестирования в национальную экономику

Field of application (in Kazakh) : Қазақстандағы жасыл бағалы қағаздардың тартымдылығын арттыру бойынша әзірленген шаралар кешенін қолдану мүмкіндігі арқылы жасыл қаржы нарығын және, атап айтқанда, бағалы қағаздар нарығын, қаржылық ағындардың ашықтығын, капиталдың кетуін болдырмауды және ұлттық экономикаға одан әрі қайта инвестициялау мүмкіндіктерін қамтамасыз етуге бағытталған.