Кластеры рисков: как составить портфель для любого инвестора

Автор: Денис Аветисян

Новый подход к кластеризации акций на основе стохастического доминирования позволяет учитывать индивидуальную склонность к риску при формировании 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

Тепловая карта коэффициента стохастического доминирования SDSD-Kmeans демонстрирует взаимосвязь между кластеризацией и преобладанием, выявляя закономерности в принятии решений и ранжировании альтернатив на основе принципов стохастического доминирования.

В статье предложены алгоритмы кластеризации на основе стохастического доминирования, использующие коэффициент SD-SC, для оптимизации портфелей с учетом предпочтений инвесторов к риску.

Традиционные методы кластеризации акций часто не учитывают предпочтения инвесторов к риску, что ограничивает эффективность портфельных стратегий. В данной работе, посвященной ‘Кластеризации на основе стохастического доминирования с применением для инвесторов, не склонных к риску, и склонных к риску’, предложен инновационный подход, интегрирующий теорию стохастического доминирования и алгоритмы машинного обучения. Разработанные алгоритмы кластеризации, основанные на коэффициентах стохастического доминирования, позволяют формировать портфели, адаптированные к различным профилям риска. Способствует ли это создание более эффективных и персонализированных инвестиционных стратегий в условиях динамичных рынков?

Основы рациональности: Теория стохастического доминирования

Традиционная теория портфеля, основанная на оптимизации «среднее-дисперсия», предполагает, что доходность активов следует нормальному распределению. Однако, в реальных финансовых условиях это упрощение встречается крайне редко. Большинство финансовых инструментов демонстрируют отклонения от нормальности, проявляющиеся в «тяжелых хвостах» — повышенной вероятности экстремальных событий, как положительных, так и отрицательных. Кроме того, доходность часто характеризуется асимметрией и эксцессом, что делает применение стандартных методов, основанных на нормальном распределении, неточным и потенциально приводящим к ошибочным инвестиционным решениям. Таким образом, необходимость в более гибких и реалистичных подходах к анализу и построению портфелей, учитывающих особенности ненормальных распределений, становится все более очевидной.

Теория стохастического доминирования (ТSD) представляет собой более универсальный подход к сравнению распределений активов, чем традиционные методы, основанные на нормальном распределении доходностей. В отличие от моделей, требующих строго нормального распределения, ТSD позволяет анализировать любые формы распределений — асимметричные, мультимодальные и другие, которые часто встречаются на финансовых рынках. Это особенно важно, поскольку реальные финансовые данные редко соответствуют идеальному нормальному распределению. Более того, ТSD учитывает различные предпочтения инвесторов к риску, позволяя оценить, какой актив доминирует над другим для конкретного класса инвесторов, будь то консервативный или агрессивный. Таким образом, ТSD обеспечивает более гибкий и реалистичный инструмент для принятия инвестиционных решений, адаптирующийся к сложной природе финансовых данных и индивидуальным потребностям инвесторов.

Теория стохастического доминирования (SDT) предлагает иерархическую систему критериев для оценки инвестиционных активов, учитывающую различную степень неприятия риска инвесторами. Первый порядок доминирования требует лишь того, чтобы один актив имел более высокую вероятность получения большей прибыли при любом уровне доходности, что является наименее строгим условием. Второй порядок предполагает, что актив превосходит другой по ожидаемой полезности для инвесторов, неприятие риска которых больше, чем у тех, кто оценивает по первому порядку. Наконец, третий порядок требует, чтобы актив превосходил другой для всех инвесторов, неприятие риска которых превышает определенный уровень. Таким образом, каждый последующий порядок накладывает более жесткие ограничения на выбор активов, обеспечивая более точное соответствие предпочтениям инвестора и позволяя оптимизировать портфель с учетом индивидуальной склонности к риску.

Тепловая карта коэффициента иерархического стохастического доминирования SDSD визуализирует относительное превосходство различных стратегий принятия решений.

Кластеризация для рациональности: Выявление скрытых структур

Для применения статистического анализа диверсификации (SDT) к сложным наборам данных используются алгоритмы кластеризации, такие как K-Means и иерархическая кластеризация. Эти методы позволяют группировать активы со схожими профилями доходности, что необходимо для более точной оценки диверсификации. Алгоритм K-Means разбивает активы на кластеры на основе минимизации внутрикластерного расстояния, в то время как иерархическая кластеризация строит иерархию кластеров, позволяя выбирать оптимальный уровень детализации. Использование кластеризации значительно упрощает анализ SDT, позволяя применять его к более управляемым группам активов вместо обработки всего набора данных целиком.

Методы кластеризации позволяют разделить пространство активов на группы, характеризующиеся схожими профилями доходности. Это разделение обеспечивает более детальное применение статистического анализа распределений (SDT) путём сравнения распределений внутри каждой выделенной группы. Вместо анализа всего пространства активов в целом, SDT применяется к более однородным подмножествам, что повышает точность оценки взаимосвязей и зависимостей между активами, и позволяет выявить закономерности, которые могли бы быть скрыты при анализе всей совокупности данных. Сравнение распределений внутри кластеров дает возможность более корректно оценивать риски и потенциальную доходность каждого актива относительно его аналогов.

Эффективность применяемых методов кластеризации имеет решающее значение для корректного анализа и принятия инвестиционных решений. Неоптимальная кластеризация, приводящая к объединению в одну группу активов с существенно различающимися профилями доходности, искажает результаты сравнительного анализа распределений внутри кластеров. Это, в свою очередь, может привести к неверной оценке рисков и доходности, а также к формированию неэффективных инвестиционных портфелей, не соответствующих заданным целям и ограничениям. Таким образом, качество кластеризации напрямую влияет на точность и надежность результатов, получаемых при использовании статистического анализа распределений (SDT) для управления инвестициями.

Тепловая карта коэффициента стохастического доминирования SASD-Kmeans визуализирует различия в предпочтениях между кластерами.

Измерение качества кластеризации: SD-ориентированная валидация

Традиционные метрики кластеризации, такие как коэффициент силуэта или индекс Дэвиса-Болдина, ориентированы на геометрическую близость точек данных и не учитывают специфику предпочтений инвесторов и их отношение к риску. Эти метрики не способны адекватно отразить, насколько хорошо кластеры соответствуют принципам стохастического доминирования, которые являются ключевыми для анализа инвестиционных портфелей. В частности, они игнорируют тот факт, что инвесторы, как правило, предпочитают портфели, доминирующие по стохастическому критерию, и не учитывают степень аверсии к риску, которая влияет на выбор между различными портфелями с одинаковым ожидаемым доходом. Поэтому применение стандартных метрик кластеризации к данным, отражающим инвестиционные предпочтения, может приводить к неверной оценке качества полученных кластеров и, как следствие, к неоптимальным результатам анализа.

Для оценки качества кластеризации в рамках теории стохастического доминирования введены два новых показателя: коэффициент SD-SC и индекс SD-DBI. Коэффициент SD-SC ( $SD-SC$ ) количественно оценивает разделение между кластерами на основе расстояний стохастического доминирования, отражая степень различия в предпочтениях инвесторов и их отношении к риску. Индекс SD-DBI ( $SD-DBI$ ) является модификацией индекса Дэвиса-Болдина, адаптированной для использования метрик стохастического доминирования, что позволяет более точно измерять компактность внутри кластеров и их разделение. Оба показателя предназначены для оценки эффективности алгоритмов кластеризации, учитывающих стохастическое доминирование, и обеспечивают более надежную оценку качества кластеризации по сравнению с традиционными метриками.

Предложенные индексы, коэффициент SD-SC и индекс SD-DBI, измеряют разделение кластеров на основе расстояний, вычисленных в рамках теории стохастического доминирования. В ходе экспериментов было установлено, что алгоритмы SD-K-means и SD-Hierarchical демонстрируют более высокие значения коэффициента SD-SC и более низкие значения индекса Davies-Bouldin по сравнению с классическими методами кластеризации. Данные результаты подтверждают, что предложенные метрики обеспечивают более точную оценку качества и надежности кластеров, учитывая специфику анализа предпочтений инвесторов и их отношение к риску.

Тепловая карта коэффициента иерархического стохастического доминирования (SASD) позволяет визуализировать относительную предпочтительность различных стратегий принятия решений.

Практическое применение: Анализ мировых рынков

Исследование применило разработанные методы кластеризации и оценки к анализу двух ведущих фондовых индексов: NASDAQ 100 и CSI 100. Данный подход позволил выявить внутреннюю структуру каждого индекса, разделив активы на группы с различными характеристиками доходности. Анализ проводился с целью определения устойчивых закономерностей и выявления активов, демонстрирующих превосходство над другими в рамках принципов стохастического доминирования. Применение этих методов к конкретным индексам позволило продемонстрировать их практическую применимость и потенциал для оптимизации инвестиционных стратегий в реальных рыночных условиях.

Анализ кластеров, полученных в результате применения предложенных методов к индексам NASDAQ 100 и CSI 100, выявил отчетливые профили доходности внутри каждого из них. Это позволило идентифицировать активы, демонстрирующие превосходство над другими в соответствии с принципами стохастического доминирования (SDT). В частности, обнаружены группы активов, стабильно превосходящие остальные по доходности при сопоставимом уровне риска, что указывает на возможность формирования портфелей, оптимизированных для инвесторов, стремящихся к минимизации рисков. Выделенные кластеры предоставляют информацию о внутренней структуре индексов и позволяют более точно оценить потенциал различных активов с точки зрения их способности генерировать доходность, превосходящую среднерыночную.

Анализ, основанный на иерархической кластеризации с учетом стохастического доминирования, позволяет формировать инвестиционные портфели, ориентированные на инвесторов с неприятием риска. Полученные результаты демонстрируют потенциал улучшения показателей, скорректированных на риск, по сравнению с традиционными методами, в частности, с минимально-дисперсионными портфелями. В ходе исследований иерархическая кластеризация, основанная на принципах стохастического доминирования, показала превосходство над методом k-средних, выявив более четкие кластеры активов с выраженными отношениями стохастического доминирования, что позволяет более эффективно распределять капитал и снижать общую волатильность портфеля.

Тепловая карта коэффициента иерархического стохастического доминирования FASD для акций NASDAQ демонстрирует относительную устойчивость к риску различных активов.

Исследование, представленное в данной работе, демонстрирует закономерность, присущую всем системам — их неизбежное развитие и адаптацию к меняющимся условиям. Подобно архитектурам, которые проходят свой жизненный цикл, фондовые рынки и портфели инвесторов подвержены эволюции. Предложенные алгоритмы кластеризации, основанные на стохастическом доминировании, позволяют учитывать различные предпочтения к риску, что является важным шагом в оптимизации инвестиционных стратегий. Как заметил Галилей: «Вселенная — это книга, написанная на языке математики». Данная работа, в свою очередь, предлагает новый метод «прочтения» этой книги в контексте финансовых рынков, выделяя закономерности, которые позволяют инвесторам принимать более обоснованные решения, учитывая их индивидуальные склонности к риску.

Что дальше?

Предложенные алгоритмы кластеризации, основанные на стохастическом доминировании, несомненно, представляют собой шаг вперед в построении портфелей, учитывающих предпочтения инвесторов. Однако, подобно любому упрощению, и здесь возникает свой технический долг. Эффективность предложенного SD-SC коэффициента в различных рыночных условиях требует дальнейшей проверки — время, как известно, не линейно и часто наказывает за излишнюю оптимизацию под конкретный момент.

Следующим этапом видится расширение области применения принципов стохастического доминирования. Простое разделение инвесторов на «боящихся риска» и «стремящихся к риску» — это, мягко говоря, наивная модель. Более тонкая градация предпочтений, учитывающая, например, неприятие к проигрышу, а не только к абсолютным значениям убытков, может дать значительно лучшие результаты. В конечном счете, любая система стареет — вопрос лишь в том, насколько гибкой она останется в меняющейся среде.

И, пожалуй, самое важное — признание того, что сама концепция «оптимального» портфеля — это иллюзия. Рынки, как и жизнь, непредсказуемы. Задача исследователя — не найти идеальное решение, а создать инструменты, позволяющие инвесторам достойно адаптироваться к неизбежным изменениям, помня, что любое упрощение имеет свою цену в будущем.

Оригинал статьи: https://arxiv.org/pdf/2605.24422.pdf

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

Смотрите также:

2026-05-26 18:15