The object of research, development or design (in Russian) : Рынок зеленых облигаций

The object of research, development or design (in Kazakh) : Жасыл облигациялар нарығы

Aim of work (in Russian) : 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) : Корпоративтік жасыл байланыс индексінің мәнін болжау үшін терең жасанды нейрондық желілер негізінде модель құру және осы индекске ең маңызды әсер ететін модельдің гипер-параметрлерін анықтау

Методы исследования (на русском) : В ходе проекта использованы следующие методы исследования: 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. При работе использованы следующие эксперименты: • поисковый - служит для сбора необходимой для построения предположения эмпирической информации; • качественный - проводятся с целью выявления действия тех или иных факторов на исследуемый процесс без установления точной количественной зависимости между ними; • количественный - проводится с целью точного измерения всех существенных факторов, влияющих на поведение исследуемого объекта или ход процесса.; • измерительный – главной целью которого является выявление количественных характеристик исследуемого объекта; • пассивный – это традиционный метод, использующийся при большой серии опытов с чередующейся вариативностью влияющих факторов; • активный – проводится по заранее сформулированному плану с одновременным изменением всех параметров, влияющих на процесс.

Методы исследования (на казахском) : Жоба барысында келесі зерттеу әдістері 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. Бұл жұмыста келесі тәжірибелер қолданылды: • іздеу – болжам жасауға қажетті эмпирикалық ақпаратты жинауға қызмет етеді; • сапалық – белгілі бір факторлардың олардың арасында нақты сандық байланыс орнатпай зерттелетін процеске әсерін анықтау мақсатында жүзеге асырылады; • сандық – зерттелетін объектінің мінез-құлқына немесе процестің барысына әсер ететін барлық маңызды факторларды дәл өлшеу мақсатында жүзеге асырылады.; • өлшеу – негізгі мақсаты зерттелетін объектінің сандық сипаттамаларын анықтау; • пассивті – әсер етуші факторлардың ауыспалы өзгергіштігі бар эксперименттердің үлкен сериясында қолданылатын дәстүрлі әдіс; • белсенді – процеске әсер ететін барлық параметрлерді бір уақытта өзгертумен алдын ала құрастырылған жоспар бойынша жүзеге асырылады.

Obtained results and novelty (in Russian) : Всестороннее сравнение нескольких прогностических моделей, включая Linear Regression, SVM, KNN и LSTM была оценена по её способности точно предсказывать цены закрытия акций. В ходе исследования обобщены преимущества MSA, выявлены ограничения MSE Проведенная работа членами рабочей группы. Использование LSTM (Long Short-Term Memory) представляет собой перспективную технологию в финансовой аналитике и торговле, обладающую значительным потенциалом для улучшения прогнозной производительности. Проведен анализ уровня качественного использования сети LSTM в предсказании ежедневного движения зеленых ценных бумаг. Выявлены факторы влияния на закрытие цен на фондовом рынке. экономические показатели, корпоративные отчеты, политическая обстановка, технический анализ, психологический рынок. Исследование показало, что в периоды экономической нестабильности наблюдается усиление рыночной взаимосвязанности между активами, что снижает точность прогнозов. Зеленые облигации, которые обычно рассматриваются как менее рискованные, в кризисные времена могут демонстрировать более высокую волатильность. Это связано с изменением приоритетов инвесторов, которые начинают более активно вкладываться в менее рисковые активы, такие как золото или государственные облигации.

Obtained results and novelty (in Kazakh) : Сызықтық регрессия, SVM, KNN және LSTM сияқты бірнеше болжамды модельдерді жан-жақты салыстыру оның акциялардың жабылу бағасын дәл болжау қабілетімен бағаланды. Зерттеу MSA артықшылықтарын қорытындылады және жұмыс тобының мүшелері жүргізетін MSE жұмысының шектеулерін анықтады. LSTM (Long Short-Term Memory) пайдалану болжамдық өнімділікті жақсарту үшін айтарлықтай әлеуеті бар қаржылық талдау мен саудадағы перспективалы технология болып табылады. Жасыл бағалы қағаздардың күнделікті қозғалысын болжау кезінде LSTM желісін сапалы пайдалану деңгейіне талдау жүргізілді. Қор нарығындағы бағалардың жабылуына әсер ететін факторлар анықталды. экономикалық көрсеткіштер, корпоративтік есептер, саяси жағдай, техникалық талдау, психологиялық нарық. Зерттеу нәтижесінде экономикалық тұрақсыздық кезеңдерінде активтер арасында нарықтық өзара байланыс күшейетіні анықталды, бұл болжамдардың дәлдігін төмендетеді. Әдетте тәуекелділігі төмен деп саналатын жасыл облигациялар дағдарыс кезінде жоғары құбылмалылыққа ұшырауы мүмкін. Бұл алтын немесе мемлекеттік облигациялар сияқты тәуекелі аз активтерге белсенді түрде инвестициялай бастаған инвесторлардың басымдықтарының өзгеруіне байланысты.

The main constructive and technical economic indicators (in Russian) : Сравнение гибридных моделей глубокого обучения с традиционными методами, такими как линейные регрессии и модели ARDL, демонстрирует значительные преимущества гибридных методов для прогнозирования на финансовых рынках. Гибридные модели, такие как CEEMDAN-LSTM, предоставляют более высокую точность за счет способности учитывать краткосрочные колебания и долгосрочные тренды. Это делает их особенно полезными для предсказания доходности на развивающихся рынках, таких как Казахстан, где волатильность часто становится ключевым фактором.

The main constructive and technical economic indicators (in Kazakh) : Гибридті терең оқыту үлгілерін сызықтық регрессиялар және ARDL үлгілері сияқты дәстүрлі әдістермен салыстыру қаржылық нарықтардағы болжау үшін гибридті әдістердің маңызды артықшылықтарын көрсетеді. CEEMDAN-LSTM сияқты гибридті модельдер қысқа мерзімді ауытқулар мен ұзақ мерзімді трендтерді есепке алу мүмкіндігінің арқасында жоғары дәлдікті қамтамасыз етеді. Бұл оларды әсіресе құбылмалылық негізгі фактор болып табылатын Қазақстан сияқты дамып келе жатқан нарықтардағы табысты болжау үшін пайдалы етеді.

Level of implementation (in Russian) : По результатам внедрения получено авторское свидетельство от 11 июня 2024 года № 47311 «Экономико-математическое исследование применения глубокого искусственного интеллекта в прогнозировании рынка зеленых бумаг в Казахстане" которое может использоваться потенциальными пользователями, работа продолжается

Level of implementation (in Kazakh) : Іске асыру нәтижелері бойынша 2024 жылғы 11 маусымдағы № 47311 «Қазақстандағы жасыл бағалы қағаздар нарығын болжауда терең жасанды интеллектті пайдалануды экономикалық-математикалық зерттеу» авторлық куәлігі алынды, оны әлеуетті пайдаланушылар пайдалана алады, жұмыс жалғасуда

Efficiency (in Russian) : Использование глубокого обучения для прогнозирования доходности зеленых облигаций на развивающемся рынке Казахстана имеет важное значение для финансовых профессионалов, которые стремятся снизить риски и улучшить прогнозы. Это исследование поможет установить, какие модели глубокого обучения наиболее эффективны для этой задачи и как они могут быть применены в будущем для улучшения финансовых стратегий.

Efficiency (in Kazakh) : Қазақстанның дамып келе жатқан нарығында жасыл облигациялардың кірістілігін болжау үшін терең оқытуды пайдалану тәуекелдерді азайтуға және болжамдарды жақсартуға ұмтылатын қаржы мамандары үшін өте маңызды. Бұл зерттеу осы тапсырма үшін қандай терең оқыту үлгілері ең тиімді екенін және оларды болашақта қаржылық стратегияларды жақсарту үшін қалай қолдануға болатынын анықтауға көмектеседі.

Field of application (in Russian) : С развитием цифровых технологий, включая блокчейн и искусственный интеллект, зеленые облигации могут стать еще более эффективным инструментом для привлечения капитала в проекты устойчивого развития. Технологии блокчейна могут быть использованы для улучшения прозрачности данных о проектах, финансируемых за счет зеленых облигаций, что повысит доверие инвесторов и увеличит объем инвестиций. Развитие блокчейн-платформ и использование искусственного интеллекта для анализа данных могут способствовать увеличению объема выпуска облигаций и привлечению международных инвесторов. Это также позволит улучшить прозрачность финансовых потоков и снизить риски, связанные с проектами, финансируемыми за счет зеленых облигаций.

Field of application (in Kazakh) : Сандық технологиялардың, соның ішінде блокчейн мен жасанды интеллекттің дамуымен жасыл облигациялар тұрақты даму жобаларына капиталды тартудың одан да тиімді құралы бола алады. Блокчейн технологияларын жасыл облигациялар арқылы қаржыландырылатын жобалар туралы деректердің ашықтығын жақсарту үшін пайдалануға болады, бұл инвесторлардың сенімін арттырады және инвестицияларды арттырады. Блокчейн платформаларын дамыту және деректерді талдау үшін жасанды интеллектті пайдалану облигациялар шығару көлемін арттыруға және халықаралық инвесторларды тартуға көмектеседі. Бұл сондай-ақ қаржылық ағындардың ашықтығын жақсартады және жасыл облигациялар арқылы қаржыландырылатын жобалармен байланысты тәуекелдерді азайтады.