МЕТОДЫ И МОДЕЛИ ПРОГНОЗИРОВАНИЯ ИНВЕСТИЦИОННЫХ РИСКОВ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ
DOI:
https://doi.org/10.5281/zenodo.20325730Ключевые слова:
прогнозирование инвестиционных рисков; промышленные предприятия; гибридные модели; Temporal Fusion Transformer; Copula-GARCH; ESG-факторы; Value-at-Risk; early-warning systems.Аннотация
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.
Библиографические ссылки
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.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 ЗЕЛЁНАЯ ЭКОНОМИКА И РАЗВИТИЕ
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.