Разработка и валидация архитектур глубокого обучения для прогнозирования рынка Казахстана с интеграцией ESG-факторов и механизмов внимания

Abstract

В статье авторами выполнено исследование применения архитектур глубокого обучения для прогнозирования динамики рынка Казахстана с учетом интеграции ESG-факторов и механизмов внимания. Показано, что гибридные модели CEEMDAN-LSTM обеспечивают высокую точность прогнозирования зеленых облигаций (RMSE = 0,268), превосходя традиционные методы на 30-40%. Результаты исследований 2023-2025 годов подтверждают эффективность механизмов многоголового внимания, позволяющих достигать до 94% точности в краткосрочных прогнозах. На примере развивающихся рынков Центральной Азии установлено, что около 31% финансовых институтов уже используют технологии искусственного интеллекта, а объем рынка зеленых облигаций Казахстана достиг 441 млн долларов США при поддержке AIFC Green Finance Centre.Особое внимание уделено трансформации зеленого финансирования посредством интеграции передовых архитектур глубокого обучения с устойчивыми инвестиционными стратегиями. Авторами установлено, что трансформер-модели эффективно анализируют долгосрочные ESG-зависимости, тогда как архитектуры LSTM и GRU оптимальны для краткосроч-ного прогнозирования волатильности. Ключевым условием повышения точности является качественная предобработка данных и корректный выбор метрик оценки (MAE, RMSE, MAPE), адаптированных к особенностям финансовых временных рядов.Полученные результаты показывают, что предложенный подход может служить научно-практической основой для анализа и прогнозирования фондового рынка, открывая новые возможности для развития устойчивого финансирования в Казахстане.