Прогнозирование оптимальных портфелей: новый подход к максимизации доходности

от

Автор: Денис Аветисян

Исследование предлагает инновационный метод оптимизации инвестиционных портфелей, основанный на прогнозировании оптимальной точки на эффективной границе.

"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

Прогнозирование касательной портфели и инвестирование в ближайшую точку на эффективной границе позволяет повысить коэффициент Шарпа и улучшить показатели доходности.

Традиционные подходы к оптимизации портфеля часто сталкиваются с ограничениями при нестационарности ожидаемых доходностей и ковариаций. В работе, посвященной ‘Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios’, предложен новый метод, основанный на прогнозировании касательной портфельной точки и инвестировании в портфель на эффективной границе, ближайший к ней. Данный подход позволяет добиться повышения вневыборочных коэффициентов Шарпа и улучшения риск-скорректированной доходности. Сможет ли прогнозирование касательной портфельной точки стать эффективной альтернативой традиционным методам оценки ожидаемых доходностей и ковариаций в задачах оптимизации инвестиционных портфелей?

Основы построения портфеля: горизонты возможностей

Традиционная теория портфеля, берущая свое начало в оптимизации по среднему и дисперсии, ставит своей целью достижение максимальной доходности при заданном уровне риска. Данный подход предполагает, что инвесторы стремятся к наилучшему соотношению между потенциальной прибылью и вероятностью убытков. Основой является математическое моделирование, позволяющее оценить ожидаемую доходность и волатильность различных активов, а также их взаимосвязь. В результате, формируется возможность конструирования портфеля, который обеспечивает оптимальный баланс между риском и доходностью, соответствующий предпочтениям инвестора. Использование статистических методов позволяет количественно оценить риск и доходность, делая процесс инвестирования более осознанным и обоснованным. \sigma^2 — дисперсия, является ключевым показателем риска в данной модели.

Эффективная граница представляет собой фундаментальную концепцию в построении инвестиционного портфеля, графически отображающую множество портфелей, обеспечивающих наилучшее соотношение между ожидаемой доходностью и уровнем риска. Каждая точка на этой границе демонстрирует портфель, в котором для заданного уровня риска достигается максимальная доходность, или, наоборот, для заданной доходности минимизируется риск. По сути, эффективная граница позволяет инвесторам визуализировать компромиссы между риском и доходностью, и выбрать портфель, наиболее соответствующий их индивидуальным предпочтениям и целям. Определение этой границы требует анализа различных комбинаций активов и оценки их статистических характеристик, таких как ожидаемая доходность, стандартное отклонение и корреляция. \sigma^2 Именно на этой границе и находится так называемый тангенциальный портфель, представляющий собой оптимальное решение с точки зрения соотношения риска и доходности.

Ключевым элементом построения эффективного инвестиционного портфеля является определение так называемого «портфеля касательной» — точки на кривой эффективной границы, демонстрирующей наилучшее соотношение риска и доходности. Этот портфель характеризуется максимальным коэффициентом Шарпа (R_p - R_f) / \sigma_p , где R_p — ожидаемая доходность портфеля, R_f — безрисковая ставка доходности, а \sigma_p — стандартное отклонение доходности портфеля. Именно этот портфель обеспечивает инвестору оптимальную доходность на единицу принятого риска, представляя собой наиболее привлекательную точку для инвестирования, поскольку максимизирует вознаграждение за каждый взятый на себя риск. По сути, портфель касательной служит ориентиром для формирования инвестиционной стратегии, позволяя инвестору достичь наилучшего компромисса между потенциальной прибылью и вероятностью убытков.

Оценка ковариации и прогнозирование: укрощение неопределенности

Точная оценка ковариационной матрицы имеет решающее значение для построения эффективных портфелей и управления рисками. Однако, традиционная выборочная ковариационная матрица, рассчитываемая на основе исторических данных, часто оказывается неустойчивой, особенно при небольшом размере выборки или высокой размерности данных. Это приводит к ошибкам в оценке дисперсии портфеля и, как следствие, к неоптимальным решениям по распределению активов. Неустойчивость проявляется в чувствительности выборочной ковариационной матрицы к небольшим изменениям во входных данных, а также в проблемах с обратимостью матрицы при большом количестве активов. Ошибки оценки ковариации могут значительно повлиять на расчет Value-at-Risk (VaR) и других показателей риска, приводя к недооценке или переоценке рисков портфеля.

Методы усадки (shrinkage) матриц ковариаций повышают стабильность оценок путем комбинирования эмпирических данных с структурированными оценщиками. Вместо использования непосредственно выборочной матрицы ковариаций, которая может быть подвержена ошибкам, особенно при работе с данными высокой размерности или небольшими выборками, применяются взвешенные комбинации. Структурированные оценщики, такие как постоянная матрица ковариаций, единичная матрица или диагональная матрица, обеспечивают регуляризацию. Вес, определяющий вклад каждого оценщика, обычно выбирается на основе минимизации среднеквадратичной ошибки прогнозирования или других критериев оптимизации. Такой подход позволяет уменьшить дисперсию оценок, сохраняя при этом их несмещенность, что приводит к более надежным результатам в задачах портфельного анализа и управления рисками.

Динамические модели, такие как DCC MV-GARCH (Dynamic Conditional Correlation Multivariate GARCH), обеспечивают оценку условной ковариации, что позволяет учитывать изменения во взаимосвязях между активами во времени. В отличие от статических моделей, предполагающих постоянную ковариационную матрицу, DCC MV-GARCH моделируют как волатильность каждого актива, так и его корреляцию с другими активами как функции от прошлых значений. Это достигается путем моделирования условной ковариационной матрицы как произведения диагональной матрицы волатильностей и матрицы корреляций. Модель позволяет оценить \Sigma_t , условную ковариационную матрицу на момент времени t , что критически важно для точного анализа рисков и оптимизации портфеля в условиях меняющейся рыночной конъюнктуры. В частности, DCC MV-GARCH позволяет учитывать кластеризацию волатильности и динамические изменения в корреляциях, что повышает надежность прогнозов.

Прогнозирование будущих характеристик портфеля достигается посредством использования Online VARX модели. Данная модель непрерывно обновляется с учетом экзогенных переменных и использует запаздывающие коэффициенты (Lagged Coefficients) для учета автокорреляции и влияния прошлых значений на текущие. В отличие от статических моделей, Online VARX позволяет адаптироваться к изменяющимся рыночным условиям, постоянно пересчитывая параметры на основе поступающих данных. В частности, модель использует рекурсивные алгоритмы для оценки коэффициентов и ковариационной матрицы, что делает ее пригодной для работы с большими объемами данных и потоковой информацией. Включение экзогенных переменных позволяет учитывать внешние факторы, влияющие на динамику портфеля, что повышает точность прогнозирования.

Уточнение выбора портфеля: за пределами касательной

Метод портфеля с минимальным евклидовым расстоянием представляет собой практичный подход к выбору портфеля, основанный на идентификации портфелей, лежащих на эффективной границе, которые наиболее близки к прогнозируемому портфелю касания. Вместо прямой оптимизации, данный метод определяет оптимальный портфель как тот, который имеет наименьшее евклидово расстояние до прогнозируемого портфеля касания, обеспечивая простоту реализации и вычислительную эффективность. Это позволяет инвесторам выбирать портфель, максимально приближенный к ожидаемой оптимальной точке, учитывая ограничения и цели инвестиционной стратегии. Применение данного подхода особенно полезно в ситуациях, когда точное определение портфеля касания затруднено из-за неопределенности рыночных прогнозов или ограничений модели.

Для повышения точности отбора портфелей используется расстояние Махаланобиса, которое, в отличие от евклидова расстояния, учитывает корреляции между активами. D_M = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}, где x — вектор значений активов, μ — вектор средних значений, а Σ — ковариационная матрица. Учет корреляций позволяет более корректно оценивать дисперсию портфеля и, следовательно, идентифицировать портфели, наиболее близкие к прогнозируемому портфелю касания (Tangency Portfolio) на эффективной границе, избегая ситуаций, когда недооцениваются риски, связанные с коррелированными активами.

Модель Блэка-Литтермана расширяет возможности выбора портфеля, интегрируя субъективные взгляды инвестора с рыночным равновесием. В отличие от традиционных моделей, полагающихся исключительно на исторические данные и математические оптимизации, модель Блэка-Литтермана позволяет инвестору выражать свои убеждения относительно ожидаемой доходности активов. Эти взгляды, в свою очередь, объединяются с подразумеваемой доходностью, вытекающей из рыночного равновесия, что формирует новую, скорректированную оценку ожидаемой доходности. Такой подход позволяет создавать портфели, более точно отражающие индивидуальные прогнозы инвестора и снижающие влияние экстремальных или нереалистичных оценок, что в конечном итоге приводит к более стабильным и обоснованным инвестиционным решениям.

Предложенная модель, включающая прогнозирование портфелей касания и выбор портфеля с минимальным евклидовым расстоянием, демонстрирует устойчивое превосходство над эталонными портфелями. В частности, достигнутые коэффициенты Шарпа для GVMC и S&P Sector ETFs превысили показатели всех сравниваемых эталонов. Данный результат подтверждает эффективность предложенного подхода к оптимизации портфеля и позволяет предположить его потенциал для повышения доходности с учетом риска.

Контекстуализация риска и доходности: расширение перспективы

Линия рынка капитала (CML) служит наглядным инструментом для визуализации взаимосвязи между риском и доходностью портфелей, формируемых путем комбинирования безрискового актива и портфеля касательной (Tangency Portfolio). Она демонстрирует, как инвестор может максимизировать ожидаемую доходность при заданном уровне риска или, наоборот, минимизировать риск при желаемой доходности. E(R_p) = R_f + \sigma_p \frac{E(R_m) - R_f}{\sigma_m} — данная формула описывает CML, где E(R_p) — ожидаемая доходность портфеля, R_f — доходность безрискового актива, \sigma_p — стандартное отклонение портфеля (мера риска), E(R_m) — ожидаемая доходность рыночного портфеля, а \sigma_m — стандартное отклонение рыночного портфеля. По сути, CML представляет собой прямую линию, отражающую компромисс между риском и доходностью, и позволяет инвесторам определить оптимальное соотношение между безрисковым активом и портфелем касательной для достижения своих финансовых целей.

Модель Френча-Фама с тремя факторами представляет собой усовершенствованный подход к пониманию доходности активов, выходящий за рамки традиционного анализа, основанного исключительно на рыночном риске. Данная модель учитывает не только систематический риск, но и два дополнительных фактора: размер компании и стоимость. Предполагается, что акции компаний с меньшей капитализацией, как правило, демонстрируют более высокую доходность, компенсирующую повышенный риск. Аналогично, акции компаний с высоким соотношением балансовой стоимости к рыночной (т.е. недооцененные акции) также склонны к более высокой доходности. Включение этих факторов позволяет более точно объяснить колебания доходности различных активов и создать более эффективные стратегии управления портфелем, учитывающие различные аспекты риска и потенциальной прибыли. R_i = r_f + \beta_i(R_m - r_f) + s_iSMB + h_iHML, где R_i — ожидаемая доходность актива i, r_f — безрисковая ставка, R_m — рыночная доходность, SMB — премия за размер, HML — премия за стоимость.

Результаты анализа показали, что предложенная модель продемонстрировала превосходство над эталонными портфелями при работе с обоими наборами активов — как с глобальными многофакторными портфелями (GVMC), так и с секторальными ETF S&P. В частности, модель обеспечила более высокую среднегодовую доходность и одновременно снизила максимальную просадку по сравнению с традиционными подходами к формированию портфелей. Подробные данные, подтверждающие данное утверждение, представлены в таблицах 2 и 3, где наглядно демонстрируется количественное преимущество разработанной методологии в оптимизации инвестиционного портфеля.

Статистический анализ, проведенный с использованием регрессии на альфа-коэффициент, однозначно подтвердил превосходство разработанной методологии над традиционными подходами к формированию портфеля. Полученные результаты демонстрируют, что предложенный метод не только позволяет достичь более высокой доходности, но и снижает риски максимальной просадки. Это указывает на эффективность предложенного подхода к оптимизации инвестиционного портфеля, позволяя инвесторам более эффективно управлять своими активами и достигать поставленных финансовых целей. Подтвержденное статистической значимостью превосходство над бенчмарками делает данную методологию перспективным инструментом для профессиональных инвесторов и аналитиков.

Исследование, представленное в данной работе, подобно попытке заглянуть за горизонт событий. Авторы стремятся предсказать оптимальную точку на эффективной границе, рассчитывая на улучшение показателей Sharpe. Однако, как показывает практика, каждая итерация прогнозирования — это лишь приближение к истине, а сама истина постоянно ускользает. В этом контексте вспоминается высказывание Гегеля: «Всё действительное рационально, и всё рациональное действительно». Эта фраза, несмотря на свою кажущуюся абстрактность, отражает суть происходящего: стремление к оптимизации, основанное на рациональном анализе, неизбежно сталкивается с непредсказуемостью реальности, подобно тому, как черная дыра поглощает свет, а вместе с ним и наши лучшие намерения. В конечном итоге, работа демонстрирует, что даже самые сложные модели не могут полностью контролировать финансовые рынки, а лишь позволяют лучше понять их природу.

Куда же дальше?

Предложенный подход к оптимизации портфеля, стремящийся предсказать касательную точку на эффективной границе, кажется элегантным решением. Однако, физика — это искусство догадок под давлением космоса, и даже самая изящная модель неизбежно столкнется с реальностью. Предсказание касательной точки, по сути, является экстраполяцией, а история знает множество примеров, когда экстраполяции оказывались не более чем иллюзией. Всё красиво на бумаге, пока не начнёшь смотреть в телескоп.

Основным вопросом, требующим дальнейшего изучения, остаётся устойчивость этой методики к изменениям в структуре ковариаций. В мире, где корреляции постоянно смещаются, простое предсказание касательной точки может оказаться недостаточным. Необходимо исследовать методы адаптации к меняющимся условиям, возможно, используя более сложные модели, учитывающие нелинейные зависимости и непредсказуемые рыночные шоки.

И, конечно, стоит помнить: чёрная дыра — это не просто объект, это зеркало нашей гордости и заблуждений. В погоне за максимальной доходностью легко упустить из виду фундаментальные риски. Улучшение коэффициента Шарпа — это лишь одна сторона медали. По-настоящему ценное исследование должно учитывать и другие аспекты, такие как ликвидность, транзакционные издержки и, самое главное, способность модели выдерживать проверку временем.

Оригинал статьи: https://arxiv.org/pdf/2604.03948.pdf

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

Смотрите также:

2026-04-07 06:26