Сравнение прогнозов рисков на KASE и предварительная оценка тональности новостей
https://doi.org/10.52821/2789-4401-2026-4-139-151
Аннотация
Цель исследования — Сравнить количественные прогнозы дневного риска KASE и предварительно проверить, добавляет ли автоматически оценённая тональность русскоязычных заголовков информацию сверх количества новостей. Исследование ограничено Казахстаном.
Методология исследования — Официальные данные KASE использованы для GARCH, EWMA, LSTM и количественного гибрида. Дополнительно сравнены одинаковые гибридные сети с количеством новостей, с тональностью и без неё. Из 15 536 записей Kursiv отобрано 10 669 заголовков. Общий тест содержит 495 дат 2024–2025 годов. Корпус собран ретроспективно.
Оригинальность (ценность) исследования — Потенциальный вклад состоит в прикладном сравнении на KASE: отдельно оцениваются нелинейная поправка к GARCH и дополнительная информация тональности русскоязычных заголовков сверх количества новостей. Документированы источники, датированные прогнозы и ограничения отбора корпуса. Вклад носит эмпирический и предварительный характер; новая архитектура GARCH–LSTM и валидированный финансовый языковой классификатор не предлагаются.
Результаты исследования — Количественный гибрид снижает RMSE дисперсии относительно GARCH на 0,087% (p после поправки Холма = 0,075). Добавление тональности к контролю количества новостей увеличивает RMSE дисперсии на 0,400% (двустороннее p = 0,716; после поправки p = 1,000). Вариант с тональностью имеет восемь превышений VaR 99% на 495 датах (p Купика = 0,206). Польза тональности по основной метрике, опережение рынка на 1–3 дня и экономия капитала не установлены.
Ключевые слова
Об авторах
Д. КабиКазахстан
Алматы.
А. Ж. Шакбутова
Казахстан
Алматы.
Список литературы
1. Kazakhstan Stock Exchange. KASE summarizes exchange market’s 2025 results [Электронный ресурс]. 2026. 15 января. URL: https://kase.kz/en/information/news/show/1558754
2. Jorion P. Value at Risk: The New Benchmark for Managing Financial Risk. 3rd ed. New York: McGraw-Hill, 2007. ISBN 9780071464956. URL: https://www.mheducation.com/highered/mhp/product/value-risk-3rd-ed.html.
3. Engle R. F. Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models // Journal of Business and Economic Statistics. 2002. Vol. 20, No. 3. P. 339–350. https://doi.org/10.1198/073500102288618487.
4. International Monetary Fund. World Economic Outlook, April 2020: The Great Lockdown. Washington, DC: International Monetary Fund, 2020. URL: https://www.imf.org/en/publications/weo/issues/2020/04/14/weo-april-2020.
5. Kazakhstan Stock Exchange. Weekly Report, January 17–21, 2022 [Электронный ресурс]. 2022. URL: https://kase.kz/files/weekly_reports/en/2022/kase_weekly_170122_210122_eng.pdf.
6. Kim H. Y., Won C. H. Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models // Expert Systems with Applications. 2018. Vol. 103. P. 25–37. https://doi.org/10.1016/j.eswa.2018.03.002.
7. Kristjanpoller W., Fadic A., Minutolo M. C. Volatility forecast using hybrid Neural Network models // Expert Systems with Applications. 2014. Vol. 41, No. 5. P. 2437–2442. https://doi.org/10.1016/j.eswa.2013.09.043.
8. Léber D., Egyed B. The Sentiment Augmented GARCH-LSTM Hybrid Model for Value-at-Risk Forecasting // Computational Economics. 2026. Vol. 67. P. 313–353. https://doi.org/10.1007/s10614025-11042-8. Опубликовано онлайн 9 июля 2025 г.
9. Tashman L. J. Out-of-Sample Tests of Forecasting Accuracy: An Analysis and Review // International Journal of Forecasting. 2000. Vol. 16, No. 4. P. 437–450. https://doi.org/10.1016/S01692070(00)00065-0.
10. Basel Committee on Banking Supervision. International Convergence of Capital Measurement and Capital Standards: A Revised Framework, Comprehensive Version. Basel: Bank for International Settlements, 2006. URL: https://www.bis.org/publ/bcbs128.htm.
11. Mandelbrot B. The Variation of Certain Speculative Prices // Journal of Business. 1963. Vol. 36, No. 4. P. 394–419. https://doi.org/10.1086/294632.
12. Sabenova B., Baubekova I., Issayeva G., Bigeldiyeva Z., Bolganbayev A. Comparative Analysis of Volatility Structures of Stock Index and Energy Company Returns in Kazakhstan // International Journal of Energy Economics and Policy. 2023. Vol. 13, No. 2. P. 200–206. https://doi.org/10.32479/ijeep.14054.
13. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. 1986. Vol. 31, No. 3. P. 307–327. https://doi.org/10.1016/0304-4076(86)90063-1.
14. Nelson D. B. Conditional Heteroskedasticity in Asset Returns: A New Approach // Econometrica. 1991. Vol. 59, No. 2. P. 347–370. https://doi.org/10.2307/2938260.
15. Glosten L. R., Jagannathan R., Runkle D. E. On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks // Journal of Finance. 1993. Vol. 48, No. 5. P. 1779–1801. https://doi.org/10.1111/j.1540-6261.1993.tb05128.x.
16. Ding Z., Granger C. W. J., Engle R. F. A long memory property of stock market returns and a new model // Journal of Empirical Finance. 1993. Vol. 1, No. 1. P. 83–106. https://doi.org/10.1016/09275398(93)90006-D.
17. Ané T. An analysis of the flexibility of Asymmetric Power GARCH models // Computational Statistics & Data Analysis. 2006. Vol. 51, No. 2. P. 1293–1311. https://doi.org/10.1016/j.csda.2005.11.002.
18. Institute of International Finance, EY. IIF-EY Annual Survey Report on AI/ML Use in Financial Services: Public Summary [Электронный ресурс]. 2025. January. URL: https://www.iif.com/portals/0/Files/content/Innovation/2024%20IIF-EY%20Survey%20Report%20on%20AI_ML%20Use%20in%20Financial%20Services_Public%2001.08.25.pdf.
19. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735.
20. Fischer T., Krauss C. Deep Learning with Long Short-Term Memory Networks for Financial Market Predictions // European Journal of Operational Research. 2018. Vol. 270, No. 2. P. 654–669. https://doi.org/10.1016/j.ejor.2017.11.054.
21. Financial Stability Board. The Financial Stability Implications of Artificial Intelligence [Электронный ресурс]. 2024. 14 November. URL: https://www.fsb.org/uploads/P14112024.pdf.
22. Loughran T., McDonald B. Textual Analysis in Accounting and Finance: A Survey // Journal of Accounting Research. 2016. Vol. 54, No. 4. P. 1187–1230. https://doi.org/10.1111/1475-679x.12123.
23. Loughran T., McDonald B. When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks // Journal of Finance. 2011. Vol. 66, No. 1. P. 35–65. https://doi.org/10.1111/j.15406261.2010.01625.x.
24. Araci D. FinBERT: Financial Sentiment Analysis with Pre-trained Language Models [Электронный ресурс]. 2019. URL: https://arxiv.org/abs/1908.10063.
25. Naseem U., Razzak I., Musial K., Imran M. Transformer based Deep Intelligent Contextual Embedding for Twitter sentiment analysis // Future Generation Computer Systems. 2020. Vol. 113. P. 58–69. https://doi.org/10.1016/j.future.2020.06.050.
26. Rogers A., Romanov A., Rumshisky A., Volkova S., Gronas M., Gribov A. RuSentiment: An enriched sentiment analysis dataset for social media in Russian // Proceedings of the 27th International Conference on Computational Linguistics. 2018. P. 755–763. URL: https://aclanthology.org/C18-1064/
27. cointegrated. rubert-tiny-sentiment-balanced: Model Card and Weights [Электронный ресурс]. Revision e0679dd4460e48648f5d4d819ae0f505384f5a9d. 2023. 20 March. URL: https://huggingface.co/cointegrated/rubert-tiny-sentiment-balanced/tree/e0679dd4460e48648f5d4d819ae0f505384f5a9d
28. Agency for Regulation and Development of the Financial Market. On the State of Kazakhstan’s Banking Sector as of 1 January 2025 [Электронный ресурс]. 2025. URL: https://www.gov.kz/memleket/entities/ardfm/press/news/details/933535?lang=ru.
29. National Bank of Kazakhstan. Financial Stability Report of Kazakhstan 2024 [Электронный ресурс]. URL: https://nationalbank.kz/file/download/114475.
30. Kazakhstan Stock Exchange. KASE Index: Official Historical Archive, 2020–2025 [Электронный ресурс]. URL: https://kase.kz/en/indexes-and-indicators/shares/kase-index
31. Kursiv Media. Banks and Investments Categories and Public WordPress Metadata Archive, 2020–2025 [Электронный ресурс]. URL: https://kz.kursiv.media/category/economics/banks/; https://kz.kursiv.media/category/economics/investments/
32. Patton A. J. Volatility forecast comparison using imperfect volatility proxies // Journal of Econometrics. 2011. Vol. 160, No. 1. P. 246–256. https://doi.org/10.1016/j.jeconom.2010.03.034.
33. Diebold F. X., Mariano R. S. Comparing Predictive Accuracy // Journal of Business & Economic Statistics. 1995. Vol. 13, No. 3. P. 253–263. https://doi.org/10.1080/07350015.1995.10524599.
34. Harvey D., Leybourne S., Newbold P. Testing the equality of prediction mean squared errors // International Journal of Forecasting. 1997. Vol. 13, No. 2. P. 281–291. https://doi.org/10.1016/S01692070(96)00719-4.
35. Holm S. A simple sequentially rejective multiple test procedure // Scandinavian Journal of Statistics. 1979. Vol. 6, No. 2. P. 65–70. URL: https://www.jstor.org/stable/4615733.
36. Politis D. N., Romano J. P. A circular block-resampling procedure for stationary data // Exploring the Limits of Bootstrap / ed. by R. LePage, L. Billard. New York: Wiley, 1992. P. 263–270. URL: https://mathweb.ucsd.edu/~politis/DPpublication.html.
37. Kupiec P. H. Techniques for Verifying the Accuracy of Risk Measurement Models // Journal of Derivatives. 1995. Vol. 3, No. 2. P. 73–84. https://doi.org/10.3905/jod.1995.407942.
38. Christoffersen P. F. Evaluating Interval Forecasts // International Economic Review. 1998. Vol. 39, No. 4. P. 841–862. https://doi.org/10.2307/2527341.
Рецензия
Для цитирования:
Каби Д., Шакбутова А.Ж. Сравнение прогнозов рисков на KASE и предварительная оценка тональности новостей. Central Asian Economic Review. 2026;1(4):139-151. https://doi.org/10.52821/2789-4401-2026-4-139-151
For citation:
Kabi D., Shakbutova A.Zh. Comparing Risk Forecasts on KASE with a Preliminary News Sentiment Analysis. Central Asian Economic Review. 2026;1(4):139-151. https://doi.org/10.52821/2789-4401-2026-4-139-151
JATS XML













