Инвестиционные риски в разработке ИТ-проектов усиливаются неопределенностью, неполной информацией и колебаниями прогнозируемых денежных потоков. Эти проблемы усугубляются отсутствием надежных статистических данных, что оставляет заинтересованным сторонам ограниченные инструменты для принятия обоснованных решений. Это исследование решает эти проблемы, предлагая новую методологию оптимизации управления рисками в инвестиционных процессах с использованием передовых методов глубокого обучения. Целью исследования является разработка и проверка алгоритма, который количественно оценивает и снижает инвестиционные риски посредством интеграции моделей машинного обучения (ML) и сверточных нейронных сетей (CNN). Ключевым компонентом этой работы является метод риска, инвестиций и соответствия (RIC), который объединяет несколько финансовых показателей в составную систему оценки. Методология была проверена с использованием пятилетних исторических финансовых данных из авторитетных источников и применена к десяти компаниям из различных отраслей для анализа финансовых показателей, поведения рынка и настроений потребителей. Ключевые наборы данных включают набор данных Twitter от Kaggle, включающий 1,5 миллиона твитов для оценки настроений рынка, набор данных McKinsey из 500 миллионов взаимодействий потребителей и ежедневные обновления от Yahoo Finance. Результаты показывают, что методология RIC эффективно различает высокорисковые и безопасные инвестиции. Компании, набравшие более 60%, были идентифицированы как сильные инвестиционные возможности, в то время как компании, набравшие менее 30%, были отмечены как высокорисковые предприятия. Эти результаты обеспечивают надежную основу для управления рисками в инвестиционных проектах в сфере ИТ, что позволяет принимать более надежные решения в условиях неопределенности и предлагает широкие возможности для применения.