УПРАВЛЕНИЕ ИНВЕСТИЦИОННЫМИ РИСКАМИ: ВЫВОДЫ ИЗ НЕОПРЕДЕЛЕННОСТИ И ВОЛАТИЛЬНОСТИ

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.

1. Gampfer Fabian, Andreas Jürgens, Markus Müller and Ruediger Buchkremer. Past, Current, and Future Trends in Enterprise Architecture: A View Beyond the Horizon. Computers in Industry, 2018, vol. 100, pp. 70–84. https://doi.org/10.1016/j.compind.2018.03.006.

2. Ilin V., Levina A., Dubgorn A. and A. Abran Investment Models for Enterprise Architecture and IT Architecture Projects Within the Open Innovation Concept. Journal of Open Innovation: Technology, Market, and Complexity, 2021, vol. 7, pp. 1–18. https://doi.org/10.3390/joitmc7010069.

3. Purwita W. and A.P. Subriadi. Information Technology Investment: In Search of the Closest Accurate Method. Procedia Computer Science, 2019, vol. 161, pp. 300–307. https://doi.org/10.1016/j.procs.2019.11.127.

4. Meyer R. and P. Degoulet. Choosing the Right Amount of Healthcare Information Technologies Investments. International Journal of Medical Informatics, 2010, vol. 79, pp. 225–231. https://doi.org/10.1016/j.ijmedinf.2010.01.001.

5. Ali S., Green P., and A. Robb. Information Technology Investment Governance: What Is It and Does It Matter? Inter. Journ. of Accounting Information Systems, 2015, vol. 18, pp. 1–25. https://doi.org/10.1016/j.accinf.2015.04.002.

6. Berghout E., and C.W. Tan. Understanding the Impact of Business Cases on IT Investment Decisions: An Analysis of Municipal E-Government Projects. Information and Management, 2013, vol. 50, pp. 489–506. https://doi.org/10.1016/j.im.2013.07.010.

7. Chen P.S., Yen D.C., Lin S.C., and C.S. Chou. Toward an IT Investment Decision Support Model for Global Enterprises. Computer Standards and Interfaces, 2018, vol. 59, pp. 130–140. http://dx.doi.org/10.1016/j.csi.2018.04.001.

8. Witra W.P.P., and A.P. Subriadi. Gender and Information Technology (IT) Investment Decision-Making. Procedia Computer Science, 2021, vol. 197, pp. 583–590. https://doi.org/10.1016/j.procs.2021.12.176.

9. Shin Y.Z., Chang J.Y., Jeon K., et al. Female Directors on the Board and Investment Efficiency: Evidence from Korea. Asian Business & Management, 2020, vol. 19, pp. 438–479. https://doi.org/10.1057/s41291-019-00066-2.

10. Lee H., Choi H., Lee J., Min J., and H. Lee. Impact of IT Investment on Firm Performance Based on Technology IT Architecture. Telematics and Informatics, 2016, vol. 91, pp. 652–661. https://doi.org/10.1016/j.procs.2016.07.164

11. Grekul V., Isaev E., Korovkina N., and T. Lisienkova. Developing an Approach to Ranking Innovative IT Projects. Business Informatics, 2019, vol. 13, pp. 43–58. https://doi.org/10.17323/1998-0663.2019.2.43.58.

12. Gao Y., Zhao C., Sun B., and W. Zhao. Effects of Investor on Stock Volatility: New Evidence from Multi-Source Data in China's Green Stock Markets. Financial Innovation, 2020, vol. 8, no. 1, pp. 1–30. https://doi.org/10.1186/s40854-022-00381-2.

13. Smatov N., Kalashnikov R., and A. Kartbayev. Development of Context-Based Sentiment Classification for Intelligent Stock Market Prediction. Big Data and Cognitive Computing, 2024, vol. 8, no. 6, p. 51. https://doi.org/10.3390/bdcc8060051.

14. Sonkavde G., Dharrao D.S., Bongale A.M., Deokate S.T., Doreswamy D., and S.K. Bhat. Forecasting Stock Market Prices Using Machine Learning and Deep Learning Models: A Systematic Review, Performance Analysis, and Discussion of Implications. International Journal of Financial Studies, 2023, vol. 11, p. 94. https://doi.org/10.3390/ijfs11030094.

15. Van den Berg M., Slot R., van Steenbergen M., Faasse P., and H. van Vliet. How Enterprise Architecture Improves the Quality of IT Investment Decisions. Journal of Systems and Software, 2019, vol. 152, pp. 134–150. https://doi.org/10.1016/j.jss.2019.02.053.

16. Gong X., Wang C., Zhang W., and J. Wang. Investor Sentiment and Stock Volatility: New Evidence. International Review of Financial Analysis, 2022, vol. 81, p. 102008. http://dx.doi.org/10.1016/j.irfa.2022.102028.

17. Rouatbi W., Demir E., Kizys R., and A. Zaremba. Immunizing Markets Against the Pandemic: COVID-19 Vaccinations and Stock Volatility Around the World. International Review of Financial Analysis, 2021, vol. 76, p. 101785. https://doi.org/10.1016/j.irfa.2021.101819.

18. Chevallier J., Ma F., Guo Y., and D. Huang. Macroeconomic Attention, Economic Policy Uncertainty, and Stock Volatility Predictability. International Review of Financial Analysis, 2022, vol. 81, p. 102037. https://doi.org/10.1016/j.irfa.2022.102339.

19. Macrotrends LLC. Macrotrends – Website with Financial Data. Accessed 2024. https://www.macrotrends.net/.

20. Infront Analytics. Infront Analytics – Website with Financial Data. Accessed 2024. https://infrontanalytics.com.

21. Comparably. Comparably – Website with Brand and Company Data. Accessed 2024. https://www.comparably.com/brands/.

22. Kalashnikov R., and A. Kartbayev. Assessment of the Impact of Big Data Analysis on Decision-Making in Stock Trading Processes. Procedia Comp. Sci., 2024, vol. 231, pp. 786–791. https://doi.org/10.1016/j.procs.2023.12.137.

23. Maqbool B., and S. Herold. Potential Effectiveness and Efficiency Issues in Usability Evaluation Within Digital Health: A Systematic Literature Review. Journal of Systems and Software, February 2024, vol. 208, p. 111881. https://doi.org/10.1016/j.jss.2023.111881.

24. Venugopal J.P., Subramanian A.A.V., Sundaram G., Rivera M., and P. Wheeler. A Comprehensive Approach to Bias Mitigation for Sentiment Analysis of Social Media Data. Applied Sciences, 2024, vol. 14, p. 11471. https://doi.org/10.3390/app142311471.

25. Asif M., and Z. Gouqing. Innovative Application of Artificial Intelligence in a Multi-Dimensional Communication Research Analysis: A Critical Review. Discover Artificial Intelligence, 2024, vol. 4, p. 37. https://doi.org/10.1007/s44163-024-00134-3.