Инвестиции с учётом взаимосвязей: Новый подход к построению портфелей

Автор: Денис Аветисян

Исследование предлагает инновационную структуру для максимизации коэффициента Шарпа, учитывающую взаимовлияние активов и позволяющую улучшить доходность портфеля.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Оптимальные параметры модели, выявленные посредством кросс-валидации, демонстрируют чувствительность к выбору гиперпараметров и позволяют добиться наилучшей обобщающей способности, избегая переобучения на обучающей выборке.

Предлагается новый метод построения портфелей с максимальным коэффициентом Шарпа, использующий регрессию с регуляризацией и матрицу взаимосвязей между активами.

Традиционные модели ценообразования активов зачастую игнорируют взаимосвязи между отдельными инструментами, что ограничивает их прогностическую силу. В статье ‘Stochastic Discount Factors with Cross-Asset Spillovers’ предложена унифицированная структура, объединяющая фирменные сигналы, меж-активные взаимосвязи и стохастический дисконтный фактор. Разработанный подход, максимизирующий коэффициент Шарпа, позволяет построить портфель с улучшенной риск-скорректированной доходностью и выявить направления информационного влияния между активами. Позволит ли данная методология более глубоко понять архитектуру информационных потоков, определяющих динамику кросс-секционных доходностей?

За пределами ожидаемой доходности: границы традиционной теории портфеля

Традиционное построение инвестиционных портфелей, ориентированное на максимизацию ожидаемой доходности, зачастую упускает из виду критически важные факторы риска и динамику рынков. В стремлении к прибыли инвесторы нередко недооценивают вероятность наступления неблагоприятных событий, игнорируя взаимосвязи между активами и уязвимость к системным шокам. Такой подход, хотя и кажется логичным на первый взгляд, может привести к значительному снижению реальной доходности и существенным потерям в периоды рыночной нестабильности. Особенно актуально это в условиях нелинейных зависимостей и непредсказуемых рыночных условий, где стандартные модели оценки рисков оказываются неэффективными. Поэтому, помимо максимизации прибыли, необходимо уделять пристальное внимание всестороннему анализу рисков и учитывать сложные взаимосвязи между активами для обеспечения долгосрочной стабильности и устойчивости инвестиционного портфеля.

Традиционные методы построения инвестиционного портфеля часто основываются на предположении о нормальном распределении доходности активов, что является упрощением, не отражающим реальную картину рынка. Наблюдаемые данные свидетельствуют о наличии так называемых «толстых хвостов» — повышенной вероятности экстремальных убытков, выходящих за рамки стандартного нормального распределения. Это означает, что вероятность наступления событий, приводящих к значительным потерям, существенно выше, чем предполагается в классических моделях. Игнорирование этой особенности может привести к недооценке рисков и, как следствие, к неожиданным и существенным финансовым потерям, особенно в периоды рыночной нестабильности. $P(X < x) = \in t_{-\in fty}^{x} \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(t-\mu)^2}{2\sigma^2}}dt$ — эта формула описывает вероятность наступления события, когда доходность актива (X) меньше определенного значения (x), при условии нормального распределения, однако реальные рыночные данные часто отклоняются от этого идеализированного сценария.

Игнорирование взаимосвязанности активов в портфеле приводит к неоптимальной диверсификации и повышенной уязвимости к системному риску. Традиционные модели часто рассматривают активы как изолированные единицы, что не соответствует реальности, где изменения на одном рынке могут быстро распространяться на другие. В результате, кажущаяся диверсификация может оказаться ложной, поскольку коррелированные активы, реагирующие одинаково на общие шоки, не обеспечивают достаточной защиты от потерь. Особенно остро эта проблема проявляется во время финансовых кризисов, когда взаимосвязанность рынков усиливается, и активы, ранее считавшиеся независимыми, демонстрируют высокую степень ко-движения. Понимание и учет этих связей, включая анализ сетевых эффектов и каскадных рисков, становится критически важным для построения устойчивых портфелей, способных выдерживать неблагоприятные сценарии и обеспечивать долгосрочную стабильность.

Представленный график демонстрирует соотношение Шарпа для различных стратегий, позволяющее оценить их эффективность с учетом риска.

Выявление прогностических характеристик активов: агрегация сигналов

Эффективное построение портфеля начинается с выявления устойчивых фирменных сигналов, предсказывающих будущую доходность. К таким сигналам относятся, в частности, факторы стоимости (value) и импульса (momentum). Фактор стоимости оценивает активы, имеющие низкую цену относительно их фундаментальных показателей, таких как прибыль или балансовая стоимость. Фактор импульса, в свою очередь, основывается на наблюдении, что активы, демонстрировавшие высокую доходность в прошлом, как правило, продолжают показывать хорошие результаты в ближайшем будущем. Идентификация и использование этих сигналов позволяет инвесторам формировать портфели с повышенной ожидаемой доходностью, учитывая риск, связанный с каждым фактором.

Комбинирование прогностических факторов, таких как стоимость и импульс, посредством взвешенной агрегации позволяет создать составной предиктор, повышающий точность прогнозов доходности. В процессе взвешенной агрегации каждому фактору присваивается вес, отражающий его относительную прогностическую силу. Более высокие веса назначаются факторам, которые исторически демонстрировали более сильную корреляцию с будущей доходностью. В результате, составной предиктор, сформированный таким образом, способен улавливать более сложные взаимосвязи и генерировать более надежные прогнозы по сравнению с использованием отдельных факторов.

Простое объединение сигналов при построении прогностических моделей для оценки доходности активов может привести к переобучению, особенно в условиях высокой размерности данных и ограниченного объема исторических данных. Переобучение возникает, когда модель слишком хорошо адаптируется к обучающей выборке, улавливая шум и случайные отклонения, а не истинные закономерности. Это снижает её способность к обобщению и прогнозированию на новых, неиспользованных данных. В условиях высокой размерности, когда количество переменных-сигналов велико по сравнению с количеством наблюдений, вероятность переобучения значительно возрастает, поскольку модель получает слишком много возможностей для подгонки под случайные колебания данных.

Абсолютное среднее значение четырех блоков в Ψ демонстрирует характеристики портфелей BiSort.

Максимизация коэффициента Шарпа: надежный подход к оптимизации портфеля

Максимизация коэффициента Шарпа представляет собой надежный подход к построению портфеля, поскольку напрямую оптимизирует доходность с учетом риска. В отличие от традиционных методов, ориентированных на минимизацию волатильности или максимизацию доходности без учета риска, данный подход стремится максимизировать $\frac{E(R_p) - R_f}{\sigma_p}$ , где $E(R_p)$ — ожидаемая доходность портфеля, $R_f$ — безрисковая ставка, а $\sigma_p$ — стандартное отклонение портфеля. Это обеспечивает более эффективное распределение капитала, позволяя инвесторам достичь наилучшего соотношения между риском и доходностью и, следовательно, создать портфель, который обеспечивает более высокую доходность при заданном уровне риска или снижает риск при заданной доходности.

Для оценки параметров модели используется гребневая регрессия (ridge regression), позволяющая снизить риск переобучения и повысить обобщающую способность. Валидация модели производится посредством кросс-валидации, в ходе которой оптимальный параметр регуляризации λ подбирается методом 5-кратной кросс-валидации. Использование переменного параметра λ обеспечивает адаптацию модели к изменяющимся рыночным условиям и повышает её устойчивость к шуму в данных, что подтверждается результатами тестирования на исторических данных.

Применение анализа сетевых взаимодействий и учета кросс-активных эффектов позволяет данной методике захватывать взаимосвязанность между активами, что способствует формированию более диверсифицированных и устойчивых портфелей. Результаты тестирования показывают, что оптимизация портфеля с использованием данного подхода позволяет достигать годовой доходности, скорректированной на риск (коэффициент Шарпа), до 3.32 для спрэд-портфелей и 2.21 для би-сорт портфелей. Взаимосвязанность активов моделируется с использованием сетевого анализа, что позволяет учитывать влияние изменений в одном активе на другие, тем самым повышая эффективность диверсификации и снижая общий риск портфеля.

За пределами оптимизации: моделирование взаимозависимости и системного риска

Понимание математических основ максимизации коэффициента Шарпа, в особенности проблемы собственных значений, является ключевым для оптимального взвешивания активов в портфеле. Данный подход опирается на решение $\lambda max \mathbf{v}^T \Sigma^{-1} \mathbf{v}$ , где λ — собственное значение, а $\mathbf{v}$ — соответствующий собственный вектор матрицы ковариации Σ. Именно решение этой задачи позволяет определить направления в пространстве активов, вдоль которых можно достичь максимальной доходности при заданном уровне риска. Корректное применение принципов линейной алгебры и анализа собственных значений позволяет не только выявить оптимальные веса активов, но и оценить чувствительность портфеля к изменениям рыночной конъюнктуры, что является критически важным для управления рисками и повышения эффективности инвестиций. В конечном итоге, глубокое понимание математической структуры максимизации коэффициента Шарпа дает возможность строить более устойчивые и прибыльные портфели.

Предложенный метод демонстрирует устойчивость в построении портфелей, даже при наличии зашумленных данных и сложной динамики рынков. В отличие от традиционных самопрогнозирующих стратегий, данный подход позволяет формировать портфели, стабильно превосходящие их по эффективности. Это достигается благодаря способности алгоритма адаптироваться к меняющимся условиям и учитывать нелинейные взаимосвязи между активами. Результаты исследований показывают, что предложенная методика обеспечивает более надежную защиту от рыночных колебаний и позволяет инвесторам получать стабильную прибыль даже в периоды повышенной волатильности, что подтверждается устойчивым превосходством над эталонными стратегиями.

Данная методика позволяет получить ценные сведения о системном риске и потенциале распространения кризисных явлений на рынке, моделируя взаимосвязи между активами. В отличие от традиционных подходов, фокусирующихся на индивидуальных активах, эта модель учитывает “переливы” рисков, что дает возможность более эффективно управлять ими. Практическая реализация демонстрирует получение альфа-коэффициента в 0.26% после учета различных факторов, а также значительное улучшение коэффициента Шарпа — на 0.79 для портфелей, основанных на спреде, и на 1.26 для би-сортированных портфелей — по сравнению со стратегией, основанной на самопрогнозировании. Таким образом, предложенный подход не только повышает доходность, но и обеспечивает более надежную защиту от непредсказуемых рыночных колебаний, что особенно важно в условиях высокой волатильности.

Исследование демонстрирует, что попытка обуздать хаос финансовых рынков через построение оптимальных портфелей — задача, требующая признания взаимосвязанности активов. Авторы, стремясь максимизировать коэффициент Шарпа, не просто усредняют сигналы, но и учитывают ‘перетекания’ информации между различными классами активов. Это напоминает о словах Жан-Поля Сартра: «Существование предшествует сущности». Подобно тому, как человек сначала существует, а затем определяет себя, так и рынок сначала демонстрирует взаимосвязанность, а лишь потом модель пытается ее отразить. Любая модель, даже столь изящная, как предложенная в данной работе, — лишь временное примирение с непредсказуемостью, заклинание, работающее до первого шока.

Куда же дальше?

Предложенный подход, стремящийся обуздать шум перетекаемости между активами, кажется, лишь приоткрывает дверь в комнату, полную ещё более неуловимых сущностей. Данные, как известно, не любят, когда их пытаются загнать в строгие рамки, и эта модель, вероятно, продержится до первого столкновения с реальностью. Однако, именно в этих несовершенствах кроется потенциал. Стоит задуматься о включении нелинейных связей, ведь рынок — не плоскость, а клубок противоречий.

Особое внимание следует уделить вопросу робастности. Метрики, как известно, — это лишь вежливая ложь, маскирующая истинную волатильность. Попытки создать модель, устойчивую к внезапным изменениям в структуре перетекаемости, представляются не просто желательными, но и необходимыми. Возможно, стоит исследовать методы, вдохновлённые биологическими системами, способными адаптироваться к меняющимся условиям.

Если же модель начнёт вести себя странно, это не повод для беспокойства, а, напротив, признак того, что она наконец-то начала думать. И в этом хаосе, в этой непредсказуемости, и кроется истинная красота рынка — вечного источника загадок и вызовов. Попытки превратить шум в золото — дело неблагодарное, но иногда получается медь, а это уже неплохо.

Оригинал статьи: https://arxiv.org/pdf/2602.20856.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-25 06:00