Интерпретируемая гибридная глубокая модель ESG–сентимента для прогнозирования доходности активов с количественной оценкой взаимодействий и развертыванием с учётом задержек

Почему рынкам нужно больше, чем графики цен

Тот, кто видел, как рынки резко колеблются, знает: одних цен редко достаточно, чтобы понять всю картину. Поведение компании в области экологии и общества, а также ежедневное настроение инвесторов в новостях и социальных сетях оставляют свой след на доходностях. В этой статье рассматривается, как объединить эти разрозненные подсказки в единую прозрачную систему прогнозирования, которая стремится не только предсказать завтрашнее движение акций и криптовалют, но и показать, когда показатели устойчивости важнее, чем свежие заголовки — и сделать это достаточно быстро для реальной торговли.

Собрать множество сигналов под одной крышей

Авторы построили гибридный конвейер прогнозирования, который поглощает четыре основных типа информации: стандартные рыночные индикаторы цен и объёмов, широкие макроэкономические данные, корпоративные оценки по экологии, социальной ответственности и управлению (ESG) и детализированные сентимент-метрики, извлекаемые из финансовых новостей с помощью языковой модели, настроенной на финансовую тематику. Ядром служит современная последовательная модель, специализированная на обучении временных закономерностей. Поверх неё лёгкая регрессионная модель играет роль второй инстанции, корректируя оставшиеся ошибки при смене рыночных условий. Цель — компактная система, точная, относительно простая в развёртывании и открытая для проверки, а не чёрный ящик.

Пусть по очереди важны и устойчивость, и настроение

Ключевая идея в том, что устойчивость и сентимент важны не в равной степени всегда. Чтобы это отразить, модель не просто складывает ESG-оценки и настроение новостей рядом друг с другом. Вместо этого каждое проходит через собственный небольшой блок обработки, а затем их смешивают с помощью «вентиля» (gate), который может давать больший вес одному или другому в каждый конкретный день. Когда рынки спокойны, вентиль может отдавать приоритет стабильной, медленно меняющейся информации ESG. В периоды штормов он смещается в сторону быстро меняющегося новостного сентимента. Исследователи затем используют современные инструменты объяснимости, чтобы строго с точки зрения статистики измерить, насколько сильно ESG и сентимент взаимодействуют и как этот баланс меняется в разных режимах волатильности.

Тестирование через бумы, падения и колебания криптовалют

Чтобы проверить, выдерживает ли подход испытание вне тщательно отобранных примеров, авторы провели строгий скользящий форвардный тест с 2020 по 2024 год на крупных технологических акциях США, основных мировых индексах и Bitcoin и Ethereum. Они обучали модель примерно на одном годе данных за раз и тестировали её на последующих двух неделях, всегда учитывая реалистичные задержки в появлении новостей, обновлений ESG и макроэкономических показателей. Систему сравнивали с рядом популярных моделей глубокого и машинного обучения, включая ориентированную на финансы большую языковую модель, читающую новости напрямую. По множеству случайных перезапусков и по разным активам их гибридная модель снижала ошибку прогноза, чаще правильно угадывала направление движения на следующий день и улучшала показатели риска, такие как информационные коэффициенты.

Что происходит в кризисные периоды

Исследование уделяет особое внимание турбулентным периодам, включая обвал в связи с COVID-19, цикл ужесточения ставок в 2022 году и банковский стресс 2023 года, а также общие фазы высокой, средней и низкой волатильности. Как и ожидалось, ошибки всех растут, когда рынки резко двигаются, но гибридная модель сохраняет преимущество. Простое правило лонговой торговли, основанное на её прогнозах, приносит более высокую риск-скорректированную доходность и переживает меньшие просадки по сравнению с сильным бенчмарком на основе только текста, даже с консервативными учётом транзакционных издержек. Анализ вентиля и мер взаимодействия выявляет явную картину: в стрессовых окнах с высокой волатильностью система больше опирается на сентимент, в то время как в спокойных, низковолатильных рынках вес снова смещается в сторону ESG — что согласуется с идеей о том, что паника и эйфория доминируют в краткосрочной перспективе, тогда как устойчивость и корпоративное управление важнее в долгосрочной.

Достаточно быстро для живого использования

Поскольку реальные торговые системы ценят скорость наряду с точностью, авторы также разработали облегчённую версию модели, исключающую тяжёлые вспомогательные компоненты, сохранив при этом основную логику. Эта вариант с учётом задержек сохраняет более девяноста процентов прироста точности, но сокращает время вывода примерно вдвое, делая её более пригодной для почти реального времени. Важно, что инструменты объяснимости — показывающие, как взаимодействуют ESG и сентимент и как стабилизируются остаточные ошибки — по-прежнему работают для этой облегчённой модели, сохраняя прозрачность.

Что это значит для повседневных инвесторов

Для непрофессионального читателя ключевая мысль такова: сочетание того, как ведёт себя компания (ее ESG-профиль), и того, как к ней относятся люди (настроение в новостях), может дать более стабильные и информативные прогнозы, чем любой из источников по отдельности, особенно если это сделано адаптивно к рыночным условиям и тщательно проверено на статистическую надёжность. Предложенная структура не обещает лёгкой прибыли и не доказывает, что ESG вызывает лучшую отдачу. Но она показывает, что показатели устойчивости и массовое настроение содержат комплементарную, зависящую от режима информацию, которую можно использовать прозрачно и эффективно, предлагая более нюансированную картину риска и доходности в современных рынках, насыщенных новостями.

Цитирование: Mishra, S., Mayaluri, Z.L., Liew, C.Y. et al. Interpretable ESG–sentiment hybrid deep learning for asset return forecasting with quantified interactions and latency-aware deployment. Sci Rep 16, 12001 (2026). https://doi.org/10.1038/s41598-026-41985-3

Ключевые слова: финансовое прогнозирование, ESG-инвестирование, настроения в новостях, гибридное глубокое обучение, рыночные режимы