Интеллектуальное управление портфелем: как нейросети оценивают риски и максимизируют прибыль

Автор: Денис Аветисян

Новый подход к оптимизации инвестиционного портфеля использует возможности условных автоэнкодеров для более точной оценки неопределенности и выбора наиболее перспективных активов.

"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

Архитектура, ориентированная на учет неопределенности при выборе факторов, извлекает высокоразмерные латентные портфели факторов из характеристик компаний, используя автоэнкодер, а затем, посредством моделей прогнозирования временных рядов, получает точечные и квантильные прогнозы для каждого фактора с целью количественной оценки неопределенности; факторы ранжируются по степени неопределенности, и наиболее предсказуемый поднабор используется для оптимизации портфеля касательной в факторном пространстве перед проецированием на веса торгуемых активов.

Масштабирование условных автоэнкодеров для оптимизации портфеля посредством учета неопределенности и выбора факторов, влияющих на ценообразование активов.

Несмотря на потенциал автоэнкодеров для выявления скрытых факторов ценообразования активов, увеличение их размерности часто приводит к снижению эффективности. В работе ‘Scaling Conditional Autoencoders for Portfolio Optimization via Uncertainty-Aware Factor Selection’ предложен масштабируемый подход, сочетающий автоэнкодеры с процедурой отбора факторов, основанной на оценке неопределенности прогнозов. Показано, что отбор наиболее предсказуемых факторов по критерию неопределенности значительно повышает риск-скорректированную доходность портфеля, а ансамбль моделей демонстрирует превосходство над отдельными. Возможно ли дальнейшее повышение эффективности стратегий портфельного инвестирования за счет более точной оценки неопределенности и адаптивного отбора факторов?

Неопределенность скрытых факторов: вызов для предсказуемости

Традиционное построение инвестиционных портфелей опирается на выявление и использование скрытых факторов, определяющих доходность активов. Однако, эти факторы по своей природе не являются абсолютно определенными и содержат значительную долю неопределенности. Финансовые рынки сложны, и за кажущейся закономерностью часто скрываются непредсказуемые влияния, что делает точное определение и прогнозирование этих факторов чрезвычайно сложной задачей. Инвесторы стремятся выделить основные движущие силы, такие как макроэкономические показатели или отраслевые тренды, но их влияние подвержено изменениям и может быть искажено шумом рыночных данных. Понимание этой присущей неопределенности является ключевым для создания устойчивых и эффективных портфелей, способных адаптироваться к меняющимся рыночным условиям и минимизировать риски.

Точное прогнозирование латентных факторов, определяющих доходность активов, является ключевым для эффективного построения инвестиционных портфелей. Однако, стандартные методы анализа зачастую сталкиваются с серьезными трудностями при работе со сложными и зашумленными временными рядами финансовых данных. Высокая степень неопределенности, присущая финансовым рынкам, и нелинейность взаимосвязей между активами приводят к тому, что традиционные статистические модели, такие как регрессионный анализ или анализ главных компонент, демонстрируют ограниченную точность прогнозов. Это особенно заметно в периоды высокой волатильности или резких изменений в макроэкономической среде, когда влияние скрытых факторов становится более выраженным, а их прогнозирование — крайне сложным. В результате, инвесторы часто сталкиваются с необходимостью учитывать значительную погрешность в оценках будущей доходности, что требует разработки более совершенных методов прогнозирования и управления рисками.

Оценка неопределенности, связанной с факторами, оказывающими влияние на доходность активов, является ключевым элементом для формирования устойчивых инвестиционных портфелей. В отличие от стремления к точечным прогнозам, современные методы управления капиталом направлены на количественную оценку диапазона возможных значений этих факторов. Это позволяет инвесторам не только выбирать наиболее перспективные факторы, но и создавать портфели, устойчивые к различным сценариям развития рынка. Игнорирование неопределенности приводит к формированию излишне уверенных портфелей, которые могут оказаться уязвимыми перед неожиданными изменениями на финансовых рынках. В результате, учет неопределенности становится не просто желательным, но и необходимым условием для успешного долгосрочного инвестирования, позволяя минимизировать риски и максимизировать потенциальную прибыль.

Игнорирование неопределенности при прогнозировании факторов, влияющих на доходность активов, приводит к формированию излишне самоуверенных портфелей, которые оказываются уязвимыми к неожиданным колебаниям рынка. Недооценка вероятности ошибок в прогнозах ключевых показателей приводит к завышенной оценке ожидаемой прибыли и недооценке рисков. Такие портфели, основанные на ложных предположениях о стабильности факторов, могут демонстрировать впечатляющие результаты в благоприятных условиях, однако при изменении рыночной конъюнктуры, их уязвимость становится очевидной. В результате, инвесторы сталкиваются с существенными потерями, которые могли бы быть предотвращены путем адекватной оценки и учета неопределенности в процессе формирования инвестиционного портфеля. Поэтому, учет вероятности различных сценариев и использование методов, позволяющих смягчить последствия неточных прогнозов, является критически важным для обеспечения устойчивости и надежности инвестиционных стратегий.

Результаты моделирования за период с 2000 по 2024 год показывают, что стратегии, использующие адаптивный отбор латентных факторов, значительно превосходят индекс SPY, причём ансамбль, объединяющий SPY и адаптивные стратегии (Ensemble A), демонстрирует наивысшие показатели Sharpe и Sortino, а ансамбль, состоящий исключительно из адаптивных стратегий (Ensemble B), - максимальную общую доходность и годовой рост. — Результаты моделирования за период с 2000 по 2024 год показывают, что стратегии, использующие адаптивный отбор латентных факторов, значительно превосходят индекс SPY, причём ансамбль, объединяющий SPY и адаптивные стратегии (Ensemble A), демонстрирует наивысшие показатели Sharpe и Sortino, а ансамбль, состоящий исключительно из адаптивных стратегий (Ensemble B), — максимальную общую доходность и годовой рост.

Продвинутое прогнозирование с фундаментальными моделями временных рядов

Для улучшения прогнозирования доходности скрытых факторов мы используем модель Chronos, предварительно обученную на обширном наборе данных M4. Chronos представляет собой фундаментальную модель временных рядов, которая позволяет извлекать и использовать сложные закономерности из исторических данных. Предварительное обучение на M4, содержащем более 100 000 временных рядов, обеспечивает модели высокую обобщающую способность и позволяет эффективно адаптироваться к различным финансовым данным. Это позволяет значительно улучшить точность прогнозов по сравнению с традиционными методами, особенно в условиях высокой волатильности и неопределенности на финансовых рынках.

Использование модели Chronos в сочетании с квантильной регрессией позволяет формировать вероятностные прогнозы, а не точечные оценки. Квантильная регрессия оценивает различные квантили распределения вероятностей для прогнозируемой величины, предоставляя информацию о диапазоне возможных исходов и их вероятности. Вместо предоставления единственного прогнозируемого значения, система генерирует набор значений, соответствующих, например, 10-му, 50-му (медиана) и 90-му процентилям, что позволяет оценить неопределенность прогноза и риски, связанные с конкретным сценарием. Это особенно важно для прогнозирования доходности латентных факторов, где диапазон возможных значений может быть значительным.

Для повышения точности и надежности квантильных прогнозов, полученных на основе модели Chronos, используются градиентные бустинги деревьев (Gradient Boosted Trees). Этот метод машинного обучения позволяет последовательно улучшать прогнозы путем добавления новых деревьев, каждое из которых корректирует ошибки предыдущих. В процессе обучения алгоритм минимизирует функцию потерь, специфичную для квантильной регрессии, что позволяет более эффективно калибровать вероятностные прогнозы и снижать отклонения от фактических значений. Использование градиентного бустинга особенно эффективно для улучшения предсказаний в квантильных точках, расположенных в «хвостах» распределения, что критически важно для оценки рисков и построения надежных инвестиционных стратегий.

В отличие от точечных прогнозов, предоставляющих лишь одно значение ожидаемого результата, используемый подход генерирует вероятностные прогнозы, описывающие распределение возможных значений фактора. Это позволяет оценить не только наиболее вероятный сценарий, но и диапазон потенциальных исходов, а также вероятность их наступления. Вместо одного числа, система предоставляет информацию о $p$-квантилях, позволяя оценить риски и неопределенность, связанные с прогнозируемым фактором, и принимать более обоснованные инвестиционные решения, учитывающие широкий спектр потенциальных сценариев развития.

Анализ границы риска и доходности показывает, что отбор латентных факторов на основе неопределенности прогноза позволяет последовательно улучшать показатели модели, обеспечивая баланс между доходностью и волатильностью и демонстрируя устойчивость к выбору количества используемых факторов.

Оптимизация портфеля с использованием надежных метрик риска

Для построения портфеля используется метод глубокого обучения — вариационный автоэнкодер (VAE), позволяющий извлекать латентные факторные портфели на основе характеристик компаний и доходности активов. VAE преобразует исходные данные в компактное представление меньшей размерности, выявляя ключевые факторы, определяющие поведение активов. Этот процесс позволяет снизить размерность пространства поиска оптимального портфеля, упрощая задачу оптимизации и улучшая обобщающую способность модели. Извлеченные латентные факторы служат основой для формирования портфеля, представляя собой комбинацию активов, оптимизированную по заданным критериям.

Оптимизация портфеля проводится с использованием нескольких показателей риска для всесторонней оценки эффективности. В частности, рассчитывается коэффициент Шарпа ($Sharpe Ratio$), который измеряет доходность с учетом риска, коэффициент Сортино ($Sortino Ratio$), учитывающий только отрицательные отклонения, коэффициент Омега ($Omega Ratio$), представляющий вероятность достижения определенного уровня доходности, и максимальная просадка ($Maximum Drawdown$), отражающая наибольшее падение стоимости портфеля от пика до минимума. Комбинированное использование этих метрик позволяет получить более полное представление о рисках и доходности портфеля по сравнению с использованием одного показателя.

Портфель, обеспечивающий максимальную доходность на единицу риска, идентифицируется как портфель Кальмара (Tangency Portfolio). Данный портфель определяется как точка касания между линией эффективной границы, построенной на основе оптимизации с использованием различных мер риска (например, коэффициент Шарпа, коэффициент Сортино, коэффициент Омега, максимальная просадка), и линией безрисковой доходности. Положение портфеля Кальмара указывает на оптимальное соотношение между ожидаемой доходностью и уровнем риска, что делает его предпочтительным выбором для инвесторов, стремящихся к максимальной доходности при заданном уровне риска или минимизации риска при заданной доходности. Расчет данного портфеля является ключевым этапом в процессе оптимизации, позволяющим определить наиболее эффективную комбинацию активов.

В процессе отбора факторов применяется регуляризация Log-Sum-Exp, направленная на повышение стабильности и постепенное усложнение структуры факторов. Данный метод регуляризации, основанный на использовании логарифма суммы экспонент, способствует смягчению изменений в весах факторов при обучении модели. Это достигается путем добавления к функции потерь члена, пропорционального $log(\sum_{i=1}^{n} exp(w_i))$, где $w_i$ — вес $i$-го фактора, а $n$ — общее количество факторов. Регуляризация Log-Sum-Exp предотвращает резкие скачки в значениях весов, стимулируя более плавную и контролируемую эволюцию факторной модели и, как следствие, более устойчивые результаты оптимизации портфеля.

Анализ корреляции доходности адаптивных стратегий за период с 2000 по 2024 год демонстрирует низкую взаимосвязь между ними, что подтверждает целесообразность создания ансамблей для диверсификации прогнозов.

Влияние на надежное финансовое моделирование

В отличие от традиционных методов построения инвестиционных портфелей, которые часто предполагают фиксированные или детерминированные значения доходности скрытых факторов, предложенный подход обеспечивает более реалистичную и устойчивую основу. Явное моделирование неопределенности в доходности этих факторов позволяет учитывать широкий спектр возможных сценариев развития рынка. Это, в свою очередь, приводит к формированию портфелей, менее чувствительных к неожиданным колебаниям и более способных адаптироваться к меняющимся рыночным условиям. Такой подход не просто прогнозирует наиболее вероятный исход, но и оценивает вероятность различных исходов, что критически важно для управления рисками и достижения стабильной долгосрочной доходности. В результате, формируется портфель, который не только стремится к максимизации прибыли, но и обеспечивает надежную защиту от потенциальных убытков в условиях повышенной волатильности.

Интеграция моделей временных рядов нового поколения и передовых метрик риска позволила создать портфели, демонстрирующие улучшенную доходность с учетом риска и сниженный риск убытков. В ходе тестирования, разработанный подход достиг коэффициента Шарпа в 2.22, коэффициента Sortino — 4.01 и максимальную просадку менее 10%. Данные показатели свидетельствуют о значительном повышении эффективности управления капиталом и способности минимизировать потенциальные потери в условиях нестабильности рынков. Такая комбинация технологий обеспечивает более надежную и устойчивую инвестиционную стратегию, способную адаптироваться к изменяющимся рыночным условиям и обеспечивать стабильную доходность в долгосрочной перспективе.

Предлагаемая методология представляет собой мощный инструмент для специалистов по управлению активами, стремящихся эффективно ориентироваться в условиях растущей волатильности и сложности финансовых рынков. Она позволяет не только более точно моделировать неопределенность, присущую доходности скрытых факторов, но и интегрировать передовые меры риска, что приводит к формированию портфелей с улучшенной доходностью с учетом риска. Подобный подход обеспечивает снижение потенциальных убытков и повышение устойчивости инвестиционных стратегий в периоды рыночной турбулентности, предоставляя возможность для долгосрочного успеха в динамичной финансовой среде. Результаты, демонстрирующие впечатляющие показатели, такие как коэффициент Шарпа $2.22$ и коэффициент Сортино $4.01$, подтверждают практическую ценность данной разработки для профессиональных участников рынка.

Успех в долгосрочном инвестировании напрямую зависит от способности количественно оценивать и управлять неопределенностью. Разработанная методология демонстрирует, что явное моделирование неопределенности скрытых факторов доходности позволяет создавать более устойчивые портфели. В частности, ZS-Chronos, реализованный после 2018 года, показал среднегодовую доходность в $11.79\%$, при этом коэффициент Шарпа составил $1.826$, а коэффициент Sortino — $3.898$. Эти показатели свидетельствуют о том, что эффективное управление рисками и неопределенностью не только позволяет избежать значительных потерь, но и обеспечивает стабильно высокую доходность, что особенно важно в условиях волатильных финансовых рынков.

В годы рыночного спада все представленные стратегии показали положительную доходность, за исключением ZS-Chronos, который в 2008 году зафиксировал незначительный убыток в 1,25%.

Исследование демонстрирует, как из локальных правил, в данном случае — алгоритмов выбора факторов неопределенности в условных автоэнкодерах, возникает порядок в оптимизации портфеля. Подобно тому, как коралловый риф формирует экосистему, так и тщательно отобранные факторы формируют устойчивую структуру финансовых активов. Авторы показывают, что ограничения, связанные с неопределенностью, могут стать стимулом для креативных решений в управлении рисками и повышении доходности. В этой работе подтверждается мысль Рене Декарта: «Я думаю, следовательно, существую». Это применимо и здесь: оценка неопределенности — это основа для принятия обоснованных инвестиционных решений, подтверждающих эффективность предложенного подхода.

Куда Далее?

Представленная работа демонстрирует, что локальное измерение неопределенности, возникающее в рамках условных автоэнкодеров, способно влиять на глобальные паттерны — в данном случае, на формирование эффективных портфелей активов. Однако, следует признать, что сама «оптимизация» — это лишь локальная реакция на постоянно меняющиеся условия. Стремление к всеобщему контролю над рынками иллюзорно; гораздо продуктивнее — выявление и использование внутренних правил, формирующих динамику цен.

Будущие исследования могли бы сосредоточиться на изучении того, как эти локальные правила — выраженные через неопределенность в латентном пространстве автоэнкодеров — взаимодействуют с внешними факторами. Вместо централизованного управления, представляется перспективным подход, основанный на «слабом контроле» — когда алгоритм лишь направляет эволюцию портфеля, позволяя ему адаптироваться к непредсказуемым изменениям. Попытки же тотального прогнозирования, вероятно, лишь усилят волатильность.

В конечном счете, задача не в создании идеального портфеля, а в разработке систем, способных устойчиво функционировать в условиях неполноты информации и постоянных изменений. Вместо поиска «правильного ответа», следует признать, что порядок рождается из хаоса, и задача исследователя — выявлять и использовать эти спонтанные закономерности.

Оригинал статьи: https://arxiv.org/pdf/2511.17462.pdf

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

Смотрите также:

2025-11-25 00:35