Неуловимая оптимальность: Управление портфелем в условиях непредсказуемой волатильности

Автор: Денис Аветисян

Новое исследование расширяет классическую задачу Мертона, предлагая решение для оптимизации портфеля в моделях, учитывающих скачкообразные изменения и сложные зависимости волатильности.

"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

Оптимальная стратегия портфеля демонстрирует эволюцию в зависимости от уровня неприятия риска γ при временных горизонтах [latex]T \in \{1, 5, 10\}[/latex], при этом для функций полезности Power и Exponential наблюдается различная динамика при фиксированной ставке доходности [latex]r = 0.02[/latex]. — Оптимальная стратегия портфеля демонстрирует эволюцию в зависимости от уровня неприятия риска γ при временных горизонтах $T \in \{1, 5, 10\}$ , при этом для функций полезности Power и Exponential наблюдается различная динамика при фиксированной ставке доходности $r = 0.02$ .

Работа посвящена анализу оптимального управления портфелем в рамках многомерных аффинных вольтерровских моделей с прыжками, используя Riccati BSDE для получения аналитического решения.

Классическая модель Мертона оптимального инвестиционного портфеля сталкивается с ограничениями при описании финансовых рынков с немарковскими и нестационарными свойствами. В данной работе, посвященной проблеме ‘Optimal Merton’s Problem under Multivariate Affine Volterra Models with Jumps’, предложен подход к решению этой задачи в рамках многомерной модели Вольтерры-Хестона с учетом скачков. Получено аналитическое выражение для оптимальных стратегий, основанное на решении Риккати-Вольтерровского уравнения и обращенного стохастического дифференциального уравнения Риккати с прыжками, что позволяет преодолеть сложности, связанные с нестационарностью модели. Каким образом учет шероховатости траекторий и скачков влияет на формирование оптимального инвестиционного портфеля в условиях немарковских финансовых рынков?

Временные Асимметрии и Ограничения Классической Оптимизации

В основе классической оптимизации портфеля лежит концепция функций полезности, позволяющих численно выразить степень неприятия риска инвестором. Такие функции, как логарифмическая, экспоненциальная и степенная, преобразуют потенциальную доходность портфеля в показатель полезности, отражающий субъективную оценку инвестора. $U(x) = \ln(x)$ — пример логарифмической функции, где $x$ — доходность, а $U(x)$ — полезность. Выбор конкретной функции полезности определяет, насколько инвестор склонен к риску — более крутая функция указывает на большую неприятие риска, в то время как более пологая — на готовность к риску ради потенциально более высокой доходности. Анализ функций полезности позволяет построить оптимальный портфель, максимизирующий полезность для данного инвестора при заданном уровне риска.

Традиционные методы оптимизации портфеля часто основываются на упрощающем допущении о стационарности волатильности активов, что существенно ограничивает их применимость к реальным финансовым рынкам. В действительности, волатильность подвержена значительным изменениям, зависящим от множества факторов — от макроэкономической ситуации и геополитических событий до настроений инвесторов и специфики отдельных активов. Игнорирование этих динамических изменений приводит к неадекватной оценке рисков и формированию портфелей, не способных эффективно адаптироваться к меняющимся рыночным условиям. $\sigma_t$ — стандартное отклонение актива в момент времени t — редко остается постоянным, а проявляет тенденции к кластеризации, когда периоды высокой волатильности сменяются периодами относительного спокойствия. Таким образом, модели, не учитывающие эти закономерности, могут давать искаженные результаты и приводить к неоптимальным инвестиционным решениям.

Полученные в результате модели оптимизации портфеля, основанные на классических подходах, часто оказываются хрупкими и неточными при столкновении с неожиданными рыночными событиями или изменениями в режимах волатильности. Предполагая стабильность рыночных параметров, эти модели не способны адекватно реагировать на внезапные скачки или продолжительные периоды повышенной или пониженной волатильности, что приводит к значительным отклонениям от прогнозируемых результатов. В условиях, когда реальные рыночные условия существенно отличаются от заложенных в модель, оптимизированный портфель может демонстрировать неожиданно низкую доходность или, наоборот, подвергаться чрезмерным рискам. Таким образом, важно учитывать ограничения этих моделей и применять более гибкие подходы, способные адаптироваться к динамично меняющейся рыночной среде, чтобы обеспечить стабильность и эффективность инвестиционного портфеля.

Неуловимая Сущность Волатильности: За пределами Броуновского Движения

Модель «Rough Volatility» представляет собой фреймворк, разработанный для моделирования нерегулярных и зависимых от траектории колебаний цен активов. В отличие от традиционных моделей, предполагающих непрерывность и диффузионную природу ценовых изменений, данная модель учитывает, что фактические колебания часто демонстрируют прерывистость и долгосрочную память. Это означает, что прошлые изменения волатильности могут существенно влиять на текущую и будущую волатильность, и эти эффекты могут сохраняться на протяжении длительного времени. Такой подход позволяет более реалистично описывать динамику финансовых инструментов и лучше учитывать особенности поведения рыночных цен, особенно в периоды повышенной волатильности и турбулентности.

Модель негладкой волатильности использует процесс Вольтерры для моделирования волатильности, позволяя учитывать эффект памяти и долгосрочной зависимости. В отличие от традиционных моделей, предполагающих независимость изменений волатильности, процесс Вольтерры предполагает, что текущая волатильность зависит от ее прошлых значений, что отражает наблюдаемую в реальности инерцию и корреляции на финансовых рынках. Это достигается за счет интегральной формулировки, где текущее значение волатильности определяется как интеграл от прошлых значений, взвешенных некоторым ядром. Такой подход позволяет более адекватно описывать фрактальные свойства волатильности и корректно моделировать поведение подразумеваемых волатильностей, особенно в периоды повышенной рыночной турбулентности. $\sigma_t = \in t_{-\in fty}^{t} K(t-s) dW_s$ , где $\sigma_t$ — волатильность в момент времени t, $K(t-s)$ — ядро, определяющее силу зависимости от прошлых значений, а $W_s$ — винеровский процесс.

Модель шероховатой волатильности использует аффинные стохастические интегральные уравнения Вольтерры для более точного описания динамики поверхностей подразумеваемой волатильности. Эти уравнения позволяют моделировать волатильность как функцию от истории изменения цены актива, учитывая эффект «памяти». В отличие от традиционных моделей, предполагающих мгновенное затухание волатильности, интегральные уравнения Вольтерры допускают долгосрочные зависимости, что позволяет более реалистично отражать наблюдаемые на рынке эмпирические факты, такие как волатильная улыбка и скос. Формально, подразумеваемая волатильность $\sigma(t,K)$ определяется решением стохастического интегрального уравнения, учитывающего текущую цену актива, страйк опциона $K$ и временной горизонт $t$ .

В модели шероховатой волатильности, для более точного моделирования внезапных рыночных шоков используются процессы скачков, управляемые пуассоновскими случайными мерами. Эти меры позволяют учитывать дискретные изменения цены актива, возникающие с определенной интенсивностью и амплитудой. λ обозначает интенсивность процесса скачков, определяя среднее количество скачков в единицу времени. Амплитуда скачков обычно моделируется случайной величиной, описывающей размер изменения цены при каждом скачке. Включение процессов скачков позволяет модели более реалистично отражать поведение активов, подверженных неожиданным событиям и резким колебаниям цен, что особенно важно при оценке опционов и управлении рисками.

График демонстрирует 55 траекторий процесса [latex]t_k \mapsto V^1_{t_k}[/latex] (слева) и [latex]t_k \mapsto V^2_{t_k}[/latex] (справа) на интервале времени [0, 1] при числе временных шагов n = 200. — График демонстрирует 55 траекторий процесса $t_k \mapsto V^1_{t_k}$ (слева) и $t_k \mapsto V^2_{t_k}$ (справа) на интервале времени [0, 1] при числе временных шагов n = 200.

Поиск Оптимальных Стратегий: Стохастическое Управление и BSDE

Стохастическое управление предоставляет математическую основу для определения оптимальных инвестиционных стратегий в условиях неопределенной динамики активов. В отличие от детерминированных моделей, стохастическое управление учитывает случайные факторы, влияющие на стоимость активов, используя инструменты теории вероятностей и стохастических процессов. Это позволяет построить модели, более точно отражающие реальные рыночные условия и позволяющие инвесторам принимать решения, максимизирующие ожидаемую доходность при заданном уровне риска. Основным подходом является формулировка задачи оптимизации, в которой целью является выбор стратегии, минимизирующей или максимизирующей определенный функционал, учитывающий как доходность инвестиций, так и связанные с ними риски. Решения в рамках этого подхода обычно выражаются в виде стохастических дифференциальных уравнений, описывающих эволюцию оптимальной стратегии во времени.

Уравнение Хамильтона-Якоби-Беллмана (HJB) является фундаментальным инструментом в рамках стохастического управления, позволяющим определить оптимальную функцию ценности. Однако, решение уравнения HJB часто представляет собой значительную сложность, особенно при анализе моделей, включающих большое количество состояний, управляющих факторов или нелинейные зависимости. В частности, нелинейный характер уравнения HJB требует применения численных методов или специальных аналитических приемов для получения решений, а сложность вычислений экспоненциально возрастает с увеличением размерности задачи. Поэтому, несмотря на теоретическую значимость, прямое решение HJB-уравнения часто оказывается непрактичным для реальных финансовых моделей.

Ріккаті-зворотні стохастичні диференціальні рівняння (BSDE) представляють собою практичний метод розв’язання рівнянь, що виникають в задачах стохастичного управління, особливо у поєднанні з рівняннями Ріккаті-Вольтерри. Такий підхід дозволяє знаходити розв’язки у випадках, коли пряме розв’язання рівняння Гамільтона-Якобі-Беллмана є складним або неможливим. Поєднання BSDE з рівняннями Ріккаті-Вольтерри дозволяє враховувати інтегральні компоненти, що виникають при аналізі динаміки активів та оптимізації стратегій, забезпечуючи більш точне та аналітично просте представлення розв’язку. $dY_t = -f(t, X_t, Y_t)dt + dM_t$ , де $Y_t$ — процес, що розв’язується, $f$ — функція, що описує динаміку, а $M_t$ — мартингал.

Данный подход обеспечивает аналитически разрешимое решение задачи максимизации полезности. В частности, использование риккати-обратных стохастических дифференциальных уравнений (BSDE) с разрывами позволяет получить явные решения. Эти BSDE описывают динамику оптимальной стратегии управления и зависят от параметров полезной функции, динамики активов и вероятности скачков. Решение риккати BSDE с разрывами предоставляет формулу для оптимального управления, которая может быть использована для вычисления оптимальных инвестиционных стратегий и оценки соответствующих ожидаемых полезностей. $dY_t = -f(t, Y_t, Z_t)dt + dM_t$ , где $Y_t$ — процесс полезности, $f$ — функция, определяющая динамику полезности, $Z_t$ — процесс управления, а $M_t$ — мартингал, представляющий стохастический компонент.

Многомерная Модель Грубого Хесто: Комплексный Подход

Многомерная модель грубой волатильности Хесто объединяет в себе преимущества моделирования грубой волатильности с хорошо зарекомендовавшей себя моделью стохастической волатильности Хесто. Традиционные модели часто испытывают трудности с точным описанием динамики волатильности, особенно в периоды рыночной нестабильности. Используя концепцию «грубой» волатильности, модель позволяет более реалистично изобразить сложные паттерны волатильности, характеризующиеся высокой степенью негладкости и долгой памятью. В отличие от моделей, предполагающих гладкую динамику волатильности, многомерная модель Хесто с грубой волатильностью учитывает фрактальную природу рыночных колебаний, что позволяет более точно оценивать риски и формировать инвестиционные стратегии. В основе лежит уравнение Колмогорова, расширенное для учета многомерности и «грубости» процесса, что позволяет моделировать корреляции между активами и их влияние на общую волатильность портфеля.

Многофакторная модель грубой волатильности Хестона предоставляет возможность построения диверсифицированных инвестиционных портфелей, характеризующихся повышенной устойчивостью к рыночным потрясениям. Расширение стандартной модели Хестона на несколько активов позволяет учитывать взаимосвязи между ними и более точно моделировать динамику волатильности всего портфеля. В отличие от моделей, рассматривающих активы независимо, данная разработка учитывает ковариацию между активами, что особенно важно в периоды финансовых кризисов и резких колебаний рынка. Благодаря этому, портфели, сформированные с использованием многофакторной модели, демонстрируют меньшую волатильность и более стабильную доходность в стрессовых ситуациях, обеспечивая инвесторам более надежную защиту от неблагоприятных рыночных событий.

Включение скачкообразных процессов в многомерную модель Rough Heston позволяет более адекватно отражать экстремальные события и риски в «хвостах» распределений. Традиционные модели стохастической волатильности часто недооценивают вероятность резких изменений цен, особенно в периоды финансового стресса. Добавление скачкообразных процессов, моделирующих внезапные и значительные колебания цен, значительно улучшает способность модели захватывать эти явления. Исследования показывают, что учет скачков в многомерном контексте Rough Heston позволяет более точно оценивать риски диверсифицированных портфелей, особенно в условиях повышенной волатильности и неопределенности на финансовых рынках. Это, в свою очередь, позволяет инвесторам принимать более обоснованные решения и разрабатывать более эффективные стратегии управления рисками, учитывая возможность редких, но потенциально разрушительных событий.

В ходе численных экспериментов для моделирования степени шероховатости в двухмерной модели Хестона с шероховатой волатильностью использовались параметры шероховатости $\alpha_1 = 0.6$ и $\alpha_2 = 0.7$ . Такой выбор параметров позволяет исследовать влияние различных уровней шероховатости на динамику волатильности и корреляции между активами. Кроме того, проводилась оценка влияния процессов скачков на процесс дисперсии, что позволило определить, насколько эффективно модель захватывает экстремальные события и риски «толстых хвостов» в финансовых данных. Результаты показали, что включение скачковых процессов значительно повышает адекватность модели при описании рыночных колебаний и позволяет более точно оценивать риски портфеля.

Исследование, посвященное оптимальному решению проблемы Мертона в рамках аффинных вольтерровских моделей с прыжками, демонстрирует изящное стремление к сохранению ценности во времени. Подобно тому, как инженер стремится к элегантности в рефакторинге, авторы ищут аналитическую трактуемость, несмотря на немарковскую динамику. Действительно, как однажды заметил Джеймс Максвелл: «Наука есть упорядоченное собрание доказанных фактов». В данном случае, доказательство факта заключается в получении явного решения через Риккати BSDE, что подчеркивает неизбежность и необходимость обновления даже самых сложных систем, чтобы соответствовать постоянно меняющейся среде. В конечном счете, все системы стареют — вопрос лишь в том, делают ли они это достойно, а представленная работа — яркое тому подтверждение.

Что дальше?

Представленная работа, безусловно, расширяет границы применимости классической задачи Мертона, но следует признать, что истинное достоинство любой системы проявляется не в ее сложности, а в устойчивости к неизбежному старению. Учет скачков и волатильности, моделируемой аффинными процессами Вольтерры, — шаг вперед, но лишь один из многих. Вопрос в том, насколько эффективно полученные аналитические решения сохранят свою актуальность перед лицом более сложных, нелинейных искажений рынка.

Очевидным направлением дальнейших исследований представляется адаптация предложенного подхода к моделям с неполным рынком, где арбитраж становится не просто теоретической возможностью, а константой. Здесь архитектура решения должна учитывать не только историю ценообразования, но и историю ошибок, накопленных в процессе оптимизации. Каждая задержка в получении точного решения — это цена понимания, и отказ от упрощений может оказаться более ценным, чем стремление к мгновенному результату.

Наконец, не стоит забывать о практической реализации. Аналитическая трактатность — это лишь инструмент, а истинное испытание — в способности модели адаптироваться к реальным данным. Система, лишенная истории, хрупка и скоротечна; поэтому дальнейшие исследования должны быть направлены на верификацию полученных результатов и разработку надежных алгоритмов для калибровки и управления портфелем в условиях неопределенности.

Оригинал статьи: https://arxiv.org/pdf/2605.00688.pdf

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

Смотрите также:

2026-05-04 18:26