Scientific Paper: Interpretable Deep Learning for REIT Return Forecasting: A Comparative Study of LSTM, TVP–VAR Proxy, and SHAP-Based Explanations

Исследование посвящено прогнозированию доходности инвестиционных фондов недвижимости (REIT), что является важной задачей для финансового моделирования в девелопменте. Авторы работы сравнивают эффективность различных подходов: глубокого обучения на базе LSTM-сетей и эконометрических моделей с переменными параметрами (TVP-VAR Proxy). Ключевая научная новизна заключается в применении методов объяснимого искусственного интеллекта (на основе SHAP) для интерпретации полученных прогнозов. Это позволяет не просто предсказывать изменения доходности, но и выявлять факторы, которые оказывают на нее наибольшее влияние. Понимание этих факторов критически важно для более точной интеграции технико-экономических показателей в финансовые модели проектов, обеспечивая прозрачность и обоснованность инвестиционных решений. 📊