ESG факторлары мен назар аудару механизмдерін біріктіру арқылы қазақстандық нарықты болжау үшін терең оқыту архитектурасын әзірлеу және тексеру

Аңдатпа

Бұл мақала революциялық нәтижелерді көрсететін ESG қаржысында машиналық оқытуды қолдануды зерттейді: гибридті CEEMDAN-LSTM үлгілері RMSE 0,268 жасыл байланыстарды болжау дәлдігіне қол жеткізеді, дәстүрлі әдістерден 30-40% асып түседі. 2023-2025 жылдардағы зерттеулер қаржылық болжаудағы зейін механизмдерінің тиімділігін растайды, мұнда көп бағытты назар қысқа мерзімді болжамдардың дәлдігін 94%-ға дейін арттырады. Дамушы нарықтар тәжірибесін талдау, әсіресе Орталық Азияда қаржы институттарының 31%-ы жасанды интеллектті пайдаланғанын көрсетті, ал Қазақстанның жасыл облигациялар нарығы АХҚО Жасыл қаржы орталығының қолдауымен 441 млн долларға жетті. Жасыл қаржының трансформациясы терең білім берудің озық архитектураларын тұрақты инвестициялық стратегиялармен біріктіру арқылы жүзеге асады. Трансформатор модельдері ұзақ мерзімді ESG тәуелділіктерін талдауды қамтамасыз ететіні анықталды, ал LSTM және GRU архитектуралары қысқа мерзімді құбылмалылықты болжауды оңтайландырады. Сыни табыс факторы деректерді дұрыс алдын ала өңдеу және қаржылық уақыт қатарларының ерекшеліктеріне бейімделген бағалау көрсеткіштерін (MAE, RMSE, MAPE) таңдау болып табылады. Біздің нәтижелеріміз жасанды интеллект әдістерін қор нарығының белсенділігін зерттеу және талдау үшін сәтті қолдануға болатынын көрсетеді