МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ ИНВЕСТИЦИОННЫХ РИСКОВ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ

Сардорбек Ёдгоров

МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ ИНВЕСТИЦИОННЫХ РИСКОВ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ

Authors

Сардорбек Ёдгоров

Keywords:

прогнозирование инвестиционных рисков; промышленные предприятия; гибридные модели; Temporal Fusion Transformer; Copula-GARCH; ESG-факторы; Value-at-Risk; early-warning systems.

Abstract

Статья раскрывает интегрированный подход к прогнозированию инвестиционных рисков промышленных
предприятий, сочетающий эконометрические методы с передовыми финтех-решениями на базе глубинного
обучения. Предложена гибридная модель «Sensor-FinRisk», объединяющая высокочастотную производственную
телеметрию и финансовые показатели в едином пространстве признаков. Автором также сформулированы
правила автоматической калибровки параметров модели с учётом ESG-факторов и макростресс-сценариев
Центрального банка. Практическая ценность заключается в возможности встроить предложенное решение в
корпоративные системы управления рисками для динамического перераспределения инвестиционного капитала
и оптимизации ковенантов проектного финансирования.

Author Biography

Сардорбек Ёдгоров

преподаватель кафедры «Экономическая теория»
Ташкентский государственный экономический университет

References

Абранцева Н. В. Прогнозирование инвестиционных рисков промышленных предприятий: монография. – М.:

Инфра-М, 2020. – 286 с.

2. Ивашковская И. В., Смирнов С. В. Стохастическое моделирование инвестиционных проектов в реальном

секторе. – М.: Дело, 2019. – 312 с.

Голубев Е. А., Боровков А. А. Эконометрические методы оценки VaR для капиталоёмких производств //

Экономика и математические методы. – 2022. – Т. 58, № 1. – С. 37–53. – DOI: 10.31857/S042473880018612-2.

4. Alexander C., Sheedy E. The Professional Risk Managers’ Guide to Financial Instruments. – 2nd ed. – London: PRMIA

Publications, 2021. – 428 p.

5. Batselier K., Chen L. Tensor Networks for Financial Time-Series Forecasting // Quantitative Finance. – 2022. – Vol. 22,

No. 9. – P. 1503–1519. – DOI: 10.1080/14697688.2021.1992626.

6. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD Conference.

– San Francisco, 2016. – P. 785–794. – DOI: 10.1145/2939672.2939785.

7. Gurenko K., Isaev D. CatBoost-Driven Ensemble for Corporate Default Prediction // Journal of Risk Finance. – 2021.

– Vol. 22, No. 7. – P. 636–654.

8. Vaswani A. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30.

– P. 5998–6008.

9. Lim B. et al. Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting // International

Journal of Forecasting. – 2021. – Vol. 37. – P. 1748–1764. – DOI: 10.1016/j.ijforecast.2021.03.012.

10. Goodfellow I., Pouget-Abadie J. et al. Generative Adversarial Nets // Proceedings of NIPS 27. – 2014. – P. 2672–2680.

11. Шишкин Е. М. Управление инвестиционными рисками в металлургическом комплексе. – Екатеринбург: УрФУ,

2022. – 224 с.

12. Торопов В. С., Липницкий Н. Д. Методы машинного обучения в прогнозировании индекса кредитного риска

предприятий ОПК // Вестник НИУ «МЭИ». – 2021. – № 5. – С. 43–59.

МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ ИНВЕСТИЦИОННЫХ РИСКОВ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ