Глубокое обучение на службе макро-инвестиций: Новый подход к управлению портфелем

Автор: Денис Аветисян

Исследователи представляют DeePM — фреймворк, сочетающий в себе возможности глубокого обучения и макроэкономические факторы для повышения эффективности и устойчивости инвестиционных стратегий.

"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

В разработанном конвейере DeePM история каждого актива обрабатывается гибридной нейронной сетью, после чего активы взаимодействуют с глобальным состоянием посредством причинно-следственной задержки, а затем латентные представления уточняются с использованием графовой нейронной сети на макрографе, при этом оптимизация сети направлена на минимизацию устойчивого к выбросам критерия, сочетающего в себе скорректированный коэффициент Шарпа и штраф SoftMin для наихудшего временного окна.

DeePM интегрирует внимание, графовые нейронные сети и методы робастной оптимизации для управления портфелем с учетом транзакционных издержек и меняющихся рыночных условий.

Несмотря на прогресс в машинном обучении, создание устойчивых стратегий макро-торговли остается сложной задачей из-за изменчивости рынков и шума в данных. В данной работе представлена DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management — инновационный фреймворк, использующий глубокое обучение с учетом макроэкономических структурных априорных знаний и робастной оптимизации. DeePM демонстрирует значительное улучшение риск-скорректированной доходности по сравнению с традиционными стратегиями, особенно в периоды высокой волатильности, и превосходит современные архитектуры на основе трансформеров. Сможет ли этот подход стать основой для нового поколения интеллектуальных систем управления инвестициями, способных адаптироваться к любым рыночным условиям?

Порядок из Хаоса: Преодолевая Ограничения Традиционного Портфельного Инвестирования

Традиционное построение инвестиционного портфеля зачастую основывается на упрощенных представлениях о динамике рынка, игнорируя сложные взаимосвязи между активами. Данный подход предполагает, что изменения в ценах одних активов не оказывают существенного влияния на другие, что далеко от реальности. На практике, финансовые рынки демонстрируют высокую степень взаимозависимости, где события, влияющие на один актив, могут быстро распространяться на другие, создавая каскадные эффекты и непредсказуемые корреляции. Неучет этих взаимосвязей приводит к неоптимальному распределению капитала и повышает риски, поскольку модель не способна адекватно оценить потенциальное влияние одного актива на весь портфель. В результате, инвесторы могут недооценивать системные риски и упускать возможности для повышения доходности за счет диверсификации, основанной на реальных рыночных зависимостях.

Оптимизация портфеля на основе коэффициента Шарпа, несмотря на широкое распространение, подвержена риску, связанному с используемыми моделями. Существующие алгоритмы часто полагаются на упрощенные предположения о поведении рынка, что может привести к неточным результатам в реальных условиях. Более того, традиционные методы, как правило, не учитывают транзакционные издержки, такие как комиссии брокерам и проскальзывание, которые существенно влияют на итоговую доходность портфеля. В результате, максимизация коэффициента $\text{Sharpe Ratio}$ может не отражать истинную эффективность инвестиционной стратегии и не учитывать реальные затраты, с которыми сталкивается инвестор.

Для обеспечения стабильно высокой чистой доходности портфеля необходимы надежные методы, способные обрабатывать зашумленные и несинхронные рыночные данные. Исследования показали, что традиционные подходы часто оказываются неэффективными в условиях реальной рыночной динамики. Модель DeePM демонстрирует впечатляющие результаты, достигая коэффициента Шарпа (Net Sharpe Ratio) в 0.93, что свидетельствует о ее способности эффективно извлекать прибыль даже в сложных рыночных условиях. Данный показатель отражает превосходство DeePM в управлении рисками и оптимизации доходности, предоставляя инвесторам возможность получения стабильных результатов в долгосрочной перспективе.

Модель DeePM демонстрирует более стабильную доходность, поддерживая положительный коэффициент Шарпа на протяжении 12 месяцев даже в периоды значительных просадок у классических трендовых стратегий, таких как TSMOM (например, в 2016 и после 2020 годов).

Структурная Индукция: Архитектура DeePM

Архитектура DeePM разработана для моделирования внутренней структуры финансовых рынков, используя как временные ряды, так и поперечные данные. Временные ряды, представляющие исторические данные по каждому активу, анализируются для выявления трендов и закономерностей. Поперечные данные, включающие информацию о взаимосвязях между различными активами, позволяют учитывать рыночные корреляции и влияние одних активов на другие. Сочетание этих двух типов данных позволяет DeePM строить более точные прогнозы, учитывая как индивидуальную динамику активов, так и их взаимодействие в рамках общей рыночной картины. В основе архитектуры лежит представление о том, что финансовые рынки обладают сложной структурой, которую можно уловить, анализируя как временную эволюцию, так и текущие взаимосвязи между элементами.

В архитектуре DeePM временная кодировка (Temporal Encoding) играет ключевую роль в обработке данных об отдельных активах. Этот процесс включает использование продвинутых слоев, таких как LSTM-слой, предназначенный для анализа временных последовательностей и выявления долгосрочных зависимостей в данных, а также сеть векторизованного выбора переменных (Vectorized Variable Selection Network). Последняя позволяет динамически выбирать наиболее релевантные признаки для каждого актива, повышая эффективность обработки и точность прогнозирования. Комбинация этих слоев обеспечивает комплексный анализ временных рядов и позволяет учитывать специфические характеристики каждого актива при формировании прогнозов.

Архитектура DeePM использует механизм временного внимания (Temporal Attention) для динамического взвешивания информации из прошлых периодов. Это позволяет модели фокусироваться на наиболее релевантных данных, игнорируя шум и неважные сигналы. В отличие от фиксированных окон или рекуррентных сетей с ограниченной памятью, временное внимание позволяет улавливать долгосрочные зависимости в данных, что критически важно для прогнозирования финансовых временных рядов. Веса, присваиваемые различным моментам времени, определяются на основе текущего контекста, что позволяет модели адаптироваться к изменяющимся рыночным условиям и выявлять скрытые закономерности, которые не могут быть обнаружены традиционными методами анализа.

Проблема нерегулярной фильтрации иллюстрируется различиями в подходах: каскадная фильтрация (красная пунктирная линия) использует самые свежие данные, в то время как направленная задержка DeePM (синяя сплошная линия) обеспечивает строгий временной разрыв для точной идентификации причинно-следственных связей.

Поперечные Связи и Надежность: Анализ Взаимосвязей

Компонент кросс-секционного анализа в DeePM предназначен для выявления взаимосвязей между активами посредством механизма кросс-секционного многоголового внимания (Cross-Sectional Multi-Head Attention). Этот механизм позволяет модели анализировать зависимости между активами, определяя эффекты распространения (spillover effects) — влияние изменений в одном активе на другие. В рамках анализа, модель вычисляет веса внимания между всеми парами активов, отражающие степень их взаимосвязи, что позволяет учесть не только прямые, но и косвенные влияния, возникающие через другие активы в рассматриваемом наборе.

В DeePM для регуляризации механизма внимания используется априорный макроэкономический граф. Этот граф кодирует известные экономические взаимосвязи между активами, такие как отраслевая принадлежность, географическая близость и отношения «поставщик-потребитель». Интеграция этого графа в процесс обучения позволяет модели фокусироваться на наиболее релевантных взаимосвязях, уменьшая шум и повышая интерпретируемость результатов. Использование графа в качестве априорной информации способствует более стабильному и обоснованному обучению, поскольку модель опирается на проверенные экономические принципы, а не только на статистические закономерности в данных. Это повышает надежность прогнозов и упрощает понимание логики принятия решений моделью.

Архитектура DeePM использует механизм “Directed Delay” для обработки асинхронной информации и обеспечения причинно-следственной фильтрации. Этот подход позволяет модели учитывать временные задержки в распространении информации между активами, предотвращая использование будущих данных для предсказания текущих значений. В частности, “Directed Delay” ограничивает доступ модели к информации об активах, которая еще не могла быть доступна на момент прогнозирования, тем самым минимизируя риск возникновения смещения, вызванного “lookahead bias”. Реализация этого механизма предполагает явное моделирование временных лагов между активами, что позволяет более реалистично отразить динамику финансовых рынков и повысить надежность прогнозов.

Важно отметить, что свойство пермутационной эквивариантности в DeePM гарантирует независимость предсказаний модели от порядка расположения активов во входных данных. Это достигается за счет архитектурных решений, обеспечивающих, что перестановка активов не влияет на конечный результат прогнозирования. Данное свойство критически важно для обобщающей способности модели, поскольку позволяет ей эффективно работать с различными наборами активов и избегать переобучения на конкретном порядке их представления. Фактически, модель учится выявлять взаимосвязи между активами, не зависящие от их позиций в векторе входных данных, что повышает надежность и устойчивость прогнозов в реальных условиях.

Макроструктурный граф априорных знаний используется для регуляризации поперечного внимания, кодируя детерминированные экономические связи, а не корреляции, полученные из данных.

Минимизация Риска с Помощью Робастной Оптимизации

В основе предлагаемого подхода лежит робастная оптимизация, направленная на минимизацию наихудшего сценария развития событий. Данная методология позволяет существенно снизить влияние неопределенности моделей и неожиданных рыночных колебаний на итоговый результат. Вместо поиска оптимального решения при фиксированных параметрах, робастная оптимизация учитывает диапазон возможных значений этих параметров, гарантируя, что портфель останется устойчивым даже в условиях неблагоприятных, но вероятных рыночных ситуаций. Такой подход позволяет создать более надежные инвестиционные стратегии, способные адаптироваться к изменяющимся условиям и защитить капитал от значительных потерь, обеспечивая стабильную доходность в долгосрочной перспективе.

В рамках минимизации рисков используется энтропийный Value-at-Risk (EVaR) как согласованная мера риска, предоставляющая принципиальную основу для управления риском убытков. В отличие от традиционных методов, EVaR учитывает неопределенность в оценках параметров модели и позволяет количественно оценить потенциальные потери в наихудшем сценарии, обеспечивая более надежную защиту портфеля. $EVaR$ формируется на основе энтропии распределения вероятностей возможных исходов, что позволяет эффективно управлять «хвостыми» рисками — событиями с малой вероятностью, но значительными негативными последствиями. Применение $EVaR$ не только улучшает оценку рисков, но и способствует формированию более консервативных и устойчивых инвестиционных стратегий.

Для повышения устойчивости и предотвращения переобучения модели, в рамках оптимизационного процесса применяется штраф, основанный на принципе $SoftMin$ и использующий метрику Энтропийного Value-at-Risk. Данный подход позволяет не только минимизировать риски в наихудшем сценарии, но и улучшить обобщающую способность модели, что особенно важно при работе с неполными или зашумленными данными. В отличие от традиционных методов регуляризации, штраф $SoftMin$ более гибко адаптируется к особенностям данных, что приводит к улучшению производительности модели на новых, ранее не встречавшихся данных, и, как следствие, к более надежным и стабильным результатам.

В рамках оптимизационного процесса учитываются транзакционные издержки, что обеспечивает практическую реализуемость и экономическую эффективность формируемых портфелей. Такой подход позволяет не просто максимизировать доходность на бумаге, но и учесть реальные затраты, связанные с покупкой и продажей активов. Результаты демонстрируют, что использование данной методологии приводит к Net Sharpe Ratio в 0.93, что существенно превосходит показатели, полученные при использовании подходов, основанных исключительно на анализе исторических данных, где Net Sharpe Ratio составляет 0.79. Таким образом, учёт транзакционных издержек является ключевым фактором для создания действительно эффективных инвестиционных стратегий.

Использование штрафа SoftMin в распределённо-устойчивой оптимизации позволяет сместить вероятностную массу в сторону худших сценариев (например, из нормального режима [latex]\mathcal{N}(1.0,0.9^{2})[/latex] в кризисный [latex]\mathcal{N}(-2.0,1.4^{2})[/latex]), что приводит к обучению стратегии, устойчивой к неблагоприятным условиям за счёт акцентирования на периодах с низкой прибыльностью и игнорирования периодов с высокой прибыльностью. — Использование штрафа SoftMin в распределённо-устойчивой оптимизации позволяет сместить вероятностную массу в сторону худших сценариев (например, из нормального режима $\mathcal{N}(1.0,0.9^{2})$ в кризисный $\mathcal{N}(-2.0,1.4^{2})$ ), что приводит к обучению стратегии, устойчивой к неблагоприятным условиям за счёт акцентирования на периодах с низкой прибыльностью и игнорирования периодов с высокой прибыльностью.

Исследование представляет DeePM — систему, стремящуюся к устойчивости в управлении макропортфелями. Подход, интегрирующий макроэкономические факторы и методы робастной оптимизации, подчеркивает важность локальных правил для формирования глобальных паттернов. Как отмечал Нильс Бор: «Противоположности не только могут сосуществовать, но и необходимы друг другу». Это отражает суть DeePM — система не стремится к жесткому контролю над рынком, а скорее влияет на него, адаптируясь к его изменениям и используя структурные взаимосвязи, выявленные с помощью графовых нейронных сетей. Слабый контроль, как показано в исследовании, способствует эволюции стратегий, позволяя системе находить более устойчивые решения в условиях неопределенности и транзакционных издержек.

Куда Далее?

Представленная работа, стремясь интегрировать макроэкономические факторы в рамки глубокого обучения для управления портфелем, лишь слегка приоткрывает завесу над истинной сложностью системных процессов. Стремление к “устойчивости” — это всегда попытка зафиксировать текущее состояние, тогда как динамика рынка неизбежно порождает новые, непредсказуемые конфигурации. Попытки построить “робастные” модели часто приводят к снижению адаптивности, и это неизбежный компромисс.

Будущие исследования, вероятно, будут сосредоточены не на совершенствовании алгоритмов оптимизации, а на понимании того, как локальные решения отдельных участников формируют глобальные рыночные эффекты. Игнорирование микроструктуры рынка, его нелинейностей и обратных связей, является фундаментальным ограничением. Внимание к механизмам формирования мнений и распространению информации представляется более перспективным путем, чем дальнейшее усложнение математических моделей.

В конечном итоге, задача не в том, чтобы «контролировать» рынок — иллюзия, к которой так часто стремятся — а в том, чтобы научиться «влиять» на него, понимая его внутреннюю логику и закономерности самоорганизации. Порядок не нуждается в архитекторе; он возникает из взаимодействия множества простых правил. Именно в этом направлении, возможно, и кроется подлинный прогресс.

Оригинал статьи: https://arxiv.org/pdf/2601.05975.pdf

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

Смотрите также:

2026-01-12 11:49