Риск портфеля: новый взгляд на прогнозирование волатильности

Автор: Денис Аветисян

Исследование показывает, как объединение различных моделей GARCH с использованием методов примирения прогнозов может повысить точность оценки рисков инвестиционного 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

Среднеквадратичная ошибка прогнозирования портфельных доходностей, рассчитанная для равновесных портфелей из 24 активов, демонстрирует, что модели многомерного GARCH - DCC-GARCH и скалярный BEKK - показывают сопоставимые результаты в зависимости от генератора данных (BEKK, DCC, EDCC, SBEKK), при этом среднее значение ошибки усреднено по 500 экспериментам. — Среднеквадратичная ошибка прогнозирования портфельных доходностей, рассчитанная для равновесных портфелей из 24 активов, демонстрирует, что модели многомерного GARCH — DCC-GARCH и скалярный BEKK — показывают сопоставимые результаты в зависимости от генератора данных (BEKK, DCC, EDCC, SBEKK), при этом среднее значение ошибки усреднено по 500 экспериментам.

В статье рассматривается применение многомерных GARCH-моделей и методов примирения прогнозов для улучшения предсказания волатильности и ковариации активов.

Оценка рисков портфеля часто осложняется неопределенностью в оценке ковариационных матриц и возможностью некорректной спецификации моделей. В работе ‘Multivariate GARCH and portfolio variance prediction: A forecast reconciliation perspective’ исследуется возможность повышения точности прогнозирования волатильности портфеля посредством комбинирования унивариантных и мультивариантных GARCH-моделей с использованием методов согласования прогнозов. Показано, что предложенный подход позволяет улучшить прогнозы, особенно при наличии взаимосвязей между активами и неточностях в оценке ковариаций, и даже превосходит стандартные мультивариантные модели. Каким образом методы согласования прогнозов могут быть адаптированы для работы с высокоразмерными портфелями и динамически меняющимися рыночными условиями?

Понимание взаимозависимостей на финансовых рынках

Точное моделирование взаимосвязей между активами — их взаимозависимости — является основополагающим для эффективного управления рисками в инвестиционном портфеле. В современных финансовых реалиях, активы редко функционируют изолированно; изменения в стоимости одного актива часто оказывают влияние на другие, формируя сложные сети взаимосвязей. Игнорирование этих зависимостей может привести к недооценке общего риска портфеля, поскольку корреляции между активами могут усиливать как прибыль, так и убытки. Таким образом, продвинутые модели, учитывающие динамические взаимосвязи, позволяют инвесторам более точно оценивать потенциальные риски и строить портфели, оптимизированные для достижения желаемого соотношения между риском и доходностью. $\sigma_p^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij}$ , где $\sigma_{ij}$ — ковариация между активами i и j, подчеркивает важность учета этих взаимосвязей при расчете общей волатильности портфеля.

Традиционные методы моделирования финансовых связей зачастую оказываются неспособными отразить их изменчивый характер и механизмы распространения волатильности. Эти подходы, как правило, основываются на статичных предположениях о корреляциях между активами, не учитывая, что взаимосвязи могут существенно меняться во времени под воздействием различных факторов — от макроэкономических событий до новостей о конкретных компаниях. В результате, возникают сложности с адекватной оценкой рисков, особенно в периоды турбулентности на рынках, когда взаимосвязи между активами усиливаются и волатильность стремительно распространяется. Более того, статические модели не способны эффективно отслеживать и прогнозировать эффекты «заражения», когда негативные шоки, возникшие в одном сегменте рынка, быстро распространяются на другие, приводя к каскадным последствиям. Для более точного анализа и управления рисками требуется применение динамических моделей, способных адаптироваться к меняющимся условиям и учитывать сложность взаимосвязей между финансовыми активами.

Игнорирование взаимосвязей между финансовыми активами может привести к значительному занижению оценки рисков и, как следствие, к неоптимальным стратегиям распределения капитала. Исследования показывают, что при анализе портфеля, рассматривающего активы изолированно, не учитывается эффект передачи волатильности и корреляции, что создает иллюзию меньшего риска, чем он есть на самом деле. В периоды рыночных потрясений или системных кризисов, такие недооценки могут привести к неожиданным потерям и снижению доходности. Эффективное управление портфелем требует комплексного подхода, учитывающего динамические взаимосвязи между активами и позволяющего строить более устойчивые и прибыльные инвестиционные стратегии, способные адаптироваться к изменяющимся рыночным условиям.

Многомерные GARCH-модели: Мощный инструментарий

Многомерные GARCH-модели (MGARCH) представляют собой расширение традиционных GARCH-моделей, позволяющее одновременно моделировать условные дисперсии и ковариации нескольких активов. В отличие от односторонних GARCH-моделей, которые анализируют волатильность только одного актива, MGARCH учитывают взаимосвязи и динамику волатильности между несколькими финансовыми инструментами. Это достигается путем построения матрицы ковариаций, которая описывает взаимосвязь между условными дисперсиями активов и позволяет оценивать не только волатильность каждого актива, но и степень их совместной волатильности. Использование MGARCH особенно полезно при анализе портфелей ценных бумаг, где понимание ковариаций между активами критически важно для управления рисками и оптимизации доходности.

Существует несколько вариантов многомерных GARCH-моделей (MGARCH), каждый из которых обладает своими преимуществами. Модель BEKK (Baba-Engle-Kraft-Kroner) параметризует матрицу ковариаций как произведение трех матриц, обеспечивая гибкость в моделировании взаимосвязей между активами. OGARCH (Engle-Kraft-Jun) позволяет различным компонентам матрицы ковариаций зависеть от прошлых значений собственных волатильностей и шоков. Scalar BEKK представляет собой упрощенную версию BEKK с ограничениями, уменьшающими количество оцениваемых параметров. Модель DCC (Dynamic Conditional Correlation) фокусируется на моделировании динамики корреляций между активами, предполагая, что условные корреляции постоянны, но изменяются во времени и зависят от прошлых значений. Выбор конкретной модели MGARCH зависит от характеристик анализируемых данных и целей исследования.

Многовариантные GARCH-модели призваны более точно отразить сложные взаимодействия и передачу волатильности, наблюдаемые на финансовых рынках. Традиционные модели, рассматривающие волатильность каждого актива изолированно, не учитывают эффекты распространения волатильности между активами. В реальности, изменения волатильности одного актива часто оказывают влияние на волатильность других активов, особенно при наличии корреляции между ними. MGARCH-модели, моделируя одновременно условные дисперсии и ковариации нескольких активов, позволяют зафиксировать эти эффекты передачи волатильности, что критически важно для точного прогнозирования рисков и формирования оптимальных инвестиционных портфелей. Наблюдаемая корреляция между активами, как положительная, так и отрицательная, непосредственно влияет на динамику их совместной волатильности, и MGARCH-модели способны эффективно ее учитывать.

В среднем, при моделировании портфельных возвратов с использованием скалярной BEKK модели, модели DCC-GARCH и скалярной BEKK демонстрируют сравнимые значения средней квадратичной ошибки (MSE) при различных размерах выборки ([latex]T=500[/latex], [latex]T=1000[/latex], [latex]T=2000[/latex]) и для всех 500 экспериментов. — В среднем, при моделировании портфельных возвратов с использованием скалярной BEKK модели, модели DCC-GARCH и скалярной BEKK демонстрируют сравнимые значения средней квадратичной ошибки (MSE) при различных размерах выборки ( $T=500$ , $T=1000$ , $T=2000$ ) и для всех 500 экспериментов.

Преодоление «Проклятия Размерности» и Уточнение Модели

Проблема «проклятия размерности» возникает при увеличении числа активов в модели, что требует экспоненциального роста объема данных для надежной оценки параметров модели. С увеличением числа переменных, необходимых для описания системы, количество требуемых наблюдений для обеспечения статистической значимости оценки параметров растет в геометрической прогрессии. Недостаток данных в условиях высокой размерности приводит к переобучению модели — ситуации, когда модель хорошо описывает обучающую выборку, но плохо обобщается на новые данные, что снижает ее прогностическую способность и надежность.

Для преодоления проблемы проклятия размерности исследователи изучают более экономные модели, стремясь к снижению количества оцениваемых параметров. Параллельно активно используется высокочастотные данные, такие как реализованная ковариация $\sigma_{t}^{2} = \sum_{i=1}^{N} \omega_{i,t}^{2}$ , в качестве прокси для условной ковариации. Реализованная ковариация, рассчитанная на основе внутридневных данных, предоставляет более точную оценку волатильности и корреляции активов по сравнению с традиционными методами, использующими дневные цены закрытия, что позволяет улучшить качество оценки моделей и снизить риск переобучения при большом количестве активов.

Модель расширенной динамической условной корреляции (EDCC) представляет собой усовершенствование существующих методов моделирования мультиактивных активов. В отличие от более простых моделей, EDCC позволяет учитывать более сложные взаимодействия между активами, выходя за рамки простого учета корреляций первого порядка. Это достигается путем включения дополнительных параметров, которые описывают динамику взаимосвязей между активами во времени и их реакцию на различные рыночные условия. $\rho_{i,j,t}$ — это не просто статическая или динамическая корреляция, а результат сложного процесса, зависящего от прошлых значений корреляций, волатильности активов и других факторов. В результате, EDCC обеспечивает более точную оценку ковариационной матрицы и, следовательно, улучшает эффективность портфельной оптимизации и управления рисками.

При моделировании портфельных доходностей с использованием EDCC-GARCH, средняя относительная среднеквадратичная ошибка (MSE) для DCC-GARCH, EDCC-GARCH и скалярного BEKK уменьшается с увеличением размера выборки [latex]T[/latex] (500, 1000, 2000), что свидетельствует о повышении точности прогнозирования при большем объеме данных. — При моделировании портфельных доходностей с использованием EDCC-GARCH, средняя относительная среднеквадратичная ошибка (MSE) для DCC-GARCH, EDCC-GARCH и скалярного BEKK уменьшается с увеличением размера выборки $T$ (500, 1000, 2000), что свидетельствует о повышении точности прогнозирования при большем объеме данных.

Валидация Модели и Точность Прогнозов

Методы согласования прогнозов объединяют результаты, полученные с использованием как унивариантных моделей, таких как GARCH(1,1), так и многовариантных MGARCH моделей, с целью повышения общей точности. Этот подход позволяет учесть как индивидуальную динамику каждого актива, отраженную в унивариантных моделях, так и взаимосвязи между ними, которые захватываются многовариантными моделями. Согласование прогнозов не просто усредняет результаты, а использует статистические методы для оптимизации весов, присваиваемых каждому прогнозу, что позволяет снизить общую ошибку прогнозирования дисперсии портфеля. В результате, комбинированные прогнозы демонстрируют повышенную надежность, особенно в ситуациях, когда активы тесно взаимосвязаны, и позволяют более точно оценить риски, связанные с инвестиционным портфелем.

Для оценки и сравнения прогностической способности различных моделей, в частности, при анализе финансовых временных рядов, широко используются статистические тесты, среди которых особое место занимает тест Диболда-Мариано. Данный тест позволяет установить, существует ли статистически значимая разница в точности прогнозов двух конкурирующих моделей. В его основе лежит сравнение потерь прогнозирования, рассчитываемых для каждой модели, и проверка гипотезы об их равенстве. Применяя тест Диболда-Мариано, исследователи могут объективно определить, какая модель обеспечивает более надежные прогнозы, что критически важно для принятия обоснованных инвестиционных решений и управления рисками. Значимые p-значения, полученные в результате теста, подтверждают превосходство одной модели над другой с определенной степенью достоверности.

Набор моделей уверенности (Model Confidence Set) представляет собой надежный статистический инструмент, позволяющий выявить наиболее точную модель прогнозирования среди нескольких конкурирующих вариантов. В отличие от традиционных подходов, фокусирующихся на выборе единственной «лучшей» модели, данный метод формирует множество моделей, статистически не отличающихся по своим характеристикам. Это позволяет минимизировать риск выбора неоптимальной модели, особенно в условиях неопределенности и ограниченности данных. Принцип работы заключается в последовательном исключении моделей, чья производительность статистически значимо уступает другим, до тех пор, пока не останется подмножество, демонстрирующее сопоставимую точность. Использование набора моделей уверенности повышает надежность прогнозов и способствует более обоснованному принятию решений в области финансов и экономики.

Исследования показали, что методы согласования прогнозов последовательно повышают точность прогнозов дисперсии портфеля, особенно в случаях, когда базовые данные демонстрируют взаимозависимость. Установлено, что при наличии корреляций между активами, простое суммирование индивидуальных прогнозов дисперсий может приводить к значительным ошибкам в оценке общей дисперсии портфеля. Методы согласования, напротив, учитывают эти взаимосвязи, корректируя индивидуальные прогнозы таким образом, чтобы общая дисперсия соответствовала наблюдаемым данным более точно. В результате, применение данных методов позволяет существенно снизить погрешность оценки риска портфеля, что критически важно для эффективного управления инвестициями и принятия обоснованных финансовых решений.

В ходе многочисленных симуляций, разработанные методы согласования прогнозов демонстрируют исключительную устойчивость, регулярно попадая в состав Model Confidence Set более чем в 90% случаев. Это указывает на то, что предложенные подходы надежно превосходят альтернативные модели прогнозирования в широком диапазоне сценариев и при различных параметрах данных. Включение в Model Confidence Set с такой высокой частотой подтверждает статистическую значимость и практическую ценность этих методов, гарантируя, что они последовательно обеспечивают точные и надежные прогнозы дисперсии портфеля, минимизируя риск выбора неоптимальной модели.

Статистические тесты Диболда-Мариано продемонстрировали значительное превосходство методов согласования прогнозов над базовыми подходами и методами «снизу вверх». Результаты анализа, с p-значениями менее 0.05, указывают на то, что улучшения в точности прогнозирования, достигаемые посредством согласования, не являются случайными, а статистически достоверными. Это подтверждает, что предложенные методы способны последовательно повышать надежность прогнозов дисперсии портфеля, предоставляя инвесторам более точную информацию для принятия обоснованных решений.

Средняя относительная среднеквадратичная ошибка (MSE) показывает, что модели DCC-GARCH и Scalar BEKK демонстрируют сравнимую точность прогнозирования при различных размерах выборки ([latex]T = 500, 1000, 2000[/latex]) для данных, сгенерированных с использованием модели DCC-GARCH, усредненную по 500 экспериментам. — Средняя относительная среднеквадратичная ошибка (MSE) показывает, что модели DCC-GARCH и Scalar BEKK демонстрируют сравнимую точность прогнозирования при различных размерах выборки ( $T = 500, 1000, 2000$ ) для данных, сгенерированных с использованием модели DCC-GARCH, усредненную по 500 экспериментам.

Исследование демонстрирует, что попытки предсказать волатильность портфеля, опираясь исключительно на математические модели, часто оказываются тщетными. Авторы показывают, что комбинирование данных, полученных из различных источников и методов (в данном случае, унивариантных и мультивариантных GARCH-моделей) с использованием методов примирения прогнозов, может существенно улучшить точность предсказаний. Всё это напоминает о фундаментальной проблеме: “Я мыслю, следовательно, существую”. Рене Декарт, возможно, и не предвидел кризисы на финансовых рынках, но его изречение подчеркивает, что любое моделирование начинается с субъективного восприятия реальности, а значит, всегда содержит в себе погрешность. Учитывая взаимозависимость активов и шумность данных, представленное исследование лишь подтверждает, что экономика — это не строгая наука, а скорее, попытка уложить в графики надежды и страхи.

Что дальше?

Представленная работа, стремясь примирить односторонние оценки риска, лишь подтверждает давнюю истину: люди выбирают не оптимум, а комфорт. Моделирование волатильности, даже с учетом взаимосвязей между активами, остаётся попыткой обуздать хаотичную природу надежд и страхов, запечатленных в графиках. Нельзя забывать, что рынки — это не расчетливые агенты, а биологическая гипотеза с систематическими ошибками.

Будущие исследования, вероятно, будут фокусироваться не столько на совершенствовании математических моделей, сколько на понимании когнитивных искажений, лежащих в основе принятия инвестиционных решений. Вероятно, потребуется более глубокий анализ того, как инвесторы интерпретируют и реагируют на информацию, а также как эти реакции влияют на волатильность рынка. Мы не ищем выгоду — мы ищем уверенность, и эта потребность часто перевешивает рациональный анализ.

Возможно, стоит обратить внимание на методы, заимствованные из поведенческой экономики и психологии, для создания более реалистичных моделей, учитывающих иррациональное поведение инвесторов. В конечном счете, предсказание риска — это не столько вопрос статистики, сколько вопрос понимания человеческой природы — несовершенной, противоречивой и удивительно предсказуемой в своей нерациональности.

Оригинал статьи: https://arxiv.org/pdf/2603.17463.pdf

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

Смотрите также:

2026-03-19 10:08