Интеллектуальное управление портфелем: новый подход к оптимизации инвестиций

Автор: Денис Аветисян

Исследование предлагает инновационную систему оптимизации инвестиционных портфелей, способную адаптироваться к меняющимся рыночным условиям и ограниченности данных.

"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

При анализе распределений Шарпа в смешанном режиме (seed 52) наблюдается частичное восстановление показателей стратегии Mean-Variance (1.38) по сравнению с seed 42, при этом модель DNN-S демонстрирует лидирующие результаты среди моделей машинного обучения (1.22), в то время как стратегия Risk-Parity терпит катастрофический провал (0.45, снижение на 66% относительно seed 32), что подтверждает её исключительную уязвимость при быстрых изменениях рыночной конъюнктуры и указывает на опасность использования равного взвешивания рисков в динамичных условиях.

В статье представлен метод, сочетающий байесовские нейронные сети и полу-обучающую стратегию ‘sandwich training’ для повышения эффективности и надежности инвестиционных стратегий.

Недостаток размеченных данных и нестабильность рыночных режимов представляют серьезные трудности для эффективной оптимизации инвестиционного портфеля. В данной работе, ‘Portfolio Optimization Proxies under Label Scarcity and Regime Shifts via Bayesian and Deterministic Students under Semi-Supervised Sandwich Training’, предложен новый подход, сочетающий байесовские нейронные сети и полу-контролируемое обучение с использованием стратегии «sandwich training». Полученные результаты демонстрируют, что разработанные модели-ученики способны превосходить традиционный оптимизатор CVaR в различных сценариях, обеспечивая повышенную устойчивость к смене рыночных режимов и снижая частоту сделок. Возможно ли создание гибридных систем обучения, способных адаптироваться к постоянно меняющимся условиям финансовых рынков и обеспечивать стабильную доходность в долгосрочной перспективе?

За пределами Дисперсии: Ограничения Традиционной Оптимизации Портфеля

Классические методы формирования портфеля, такие как оптимизация «среднее-дисперсия», в значительной степени полагаются на дисперсию в качестве меры риска. Однако, этот подход имеет существенные ограничения, поскольку дисперсия эффективно отражает лишь разброс данных вокруг среднего значения и не учитывает экстремальные отклонения — так называемые «хвостовые риски». В ситуациях, когда распределение доходности активов отклоняется от нормального закона, например, при наличии асимметрии или эксцесса, дисперсия может существенно недооценивать истинный уровень риска. Это особенно критично в периоды рыночной нестабильности, когда вероятность наступления неблагоприятных событий возрастает, а традиционные модели, основанные на нормальном распределении, оказываются неспособными адекватно оценить потенциальные потери. Таким образом, полагаясь исключительно на дисперсию, инвесторы рискуют недооценить реальный уровень риска и принять неоптимальные инвестиционные решения.

Известные методы оптимизации портфеля, такие как Mean-Variance Optimization, зачастую демонстрируют высокую чувствительность к входным параметрам, что особенно критично в условиях повышенной волатильности рынков. Незначительные изменения в ожидаемых доходностях или ковариациях активов могут приводить к существенным пересмотрам в структуре портфеля и, как следствие, к неоптимальным результатам. Эта проблема обусловлена тем, что стандартные модели полагаются на исторические данные и не всегда адекватно учитывают изменяющуюся динамику рынков и потенциальные «черные лебеди». В связи с этим, возникает необходимость в разработке более устойчивых стратегий, способных адаптироваться к неопределенности и минимизировать риски в периоды турбулентности. Использование робастных методов оптимизации, учитывающих широкий спектр возможных сценариев, представляется перспективным направлением для повышения надежности инвестиционных портфелей.

Несмотря на то, что стратегия Равновесного Риска эффективно диверсифицирует подверженность риску, она зачастую не учитывает изменчивость взаимосвязей между активами. Традиционные подходы к реализации этой стратегии предполагают статичные корреляции, что может приводить к недооценке рисков в периоды рыночной турбулентности. Исследования показывают, что корреляции между активами не являются постоянными и могут существенно меняться в зависимости от экономических условий и рыночных настроений. Динамические модели, учитывающие эволюцию этих взаимосвязей, способны более адекватно оценивать и управлять рисками, обеспечивая потенциально более устойчивые результаты по сравнению со статичными стратегиями Равновесного Риска. В частности, использование копул и других методов моделирования зависимостей позволяет лучше учитывать экстремальные события и «хвостовые» риски, которые часто игнорируются при использовании традиционных корреляционных матриц.

Оптимизация портфеля, несмотря на свою теоретическую элегантность, часто упускает из виду реальные издержки, связанные с проведением сделок. Эти транзакционные издержки, включающие комиссии брокерам, спред между ценой покупки и продажи, а также потенциальное влияние сделок на цену активов, могут существенно снизить итоговую доходность портфеля. Исследования показывают, что игнорирование этих издержек приводит к построению портфелей, которые выглядят привлекательно на бумаге, но демонстрируют более скромные результаты в реальной торговле. В частности, частое перебалансирование портфеля, рекомендованное некоторыми моделями, может привести к значительным затратам, перевешивающим потенциальную выгоду от оптимизации. Таким образом, учет транзакционных издержек является критически важным для построения эффективного и прибыльного инвестиционного портфеля в практической реализации.

Модель BNN демонстрирует значительно меньший CVaR (95%) еженедельных убытков (-1.8% ±0.3%) по сравнению с Mean-Variance (-4.5% ±1.0%), что указывает на более эффективное управление риском в экстремальных ситуациях благодаря снижению переоцененной неуверенности, что подтверждается результатами, полученными на 15 прогонах модели GRID 3x5 [Blundel et al., 2015]. — Модель BNN демонстрирует значительно меньший CVaR (95%) еженедельных убытков (-1.8% ±0.3%) по сравнению с Mean-Variance (-4.5% ±1.0%), что указывает на более эффективное управление риском в экстремальных ситуациях благодаря снижению переоцененной неуверенности, что подтверждается результатами, полученными на 15 прогонах модели GRID 3×5 [Blundel et al., 2015].

Условная Стоимость Под Риском: Надежный Фреймворк Управления Рисками

Условная стоимость под риском (CVaR) представляет собой меру риска, выходящую за рамки традиционных мер, основанных на дисперсии. В отличие от дисперсии, которая оценивает общую волатильность, CVaR фокусируется на ожидаемых потерях, превышающих заданный уровень доверия. Это позволяет более точно оценить потенциальный ущерб в неблагоприятных сценариях. $CVaR_{\alpha} = E[Loss | Loss > VaR_{\alpha}]$ , где $VaR_{\alpha}$ — значение под риском на уровне α, а $E$ — математическое ожидание. Таким образом, CVaR предоставляет информацию о величине ожидаемых убытков в худших α% случаев, что делает ее более информативной и полезной для управления рисками, чем стандартные отклонения или дисперсии.

Использование CVaR (Conditional Value-at-Risk) позволяет перейти от простой минимизации волатильности к активному управлению потенциальными убытками в критических сценариях. В отличие от традиционных методов, фокусирующихся на дисперсии, CVaR оценивает среднюю величину потерь, превышающих заданный уровень доверия, что обеспечивает более точную картину риска. Такой подход позволяет создавать портфели, более устойчивые к неблагоприятным рыночным условиям, поскольку приоритет отдается ограничению максимальных потерь, а не просто снижению общей изменчивости активов. Это особенно важно для инвесторов, стремящихся к сохранению капитала и минимизации рисков в периоды высокой неопределенности.

Оптимизатор TeacherCVaROptimizer использует CVaR (Conditional Value-at-Risk) для генерации меток обучения с учителем (supervisory labels), которые направляют процесс обучения более интеллектуальной политики распределения портфеля. Вместо использования традиционных методов, основанных на исторических данных или прокси-сигналах, TeacherCVaROptimizer вычисляет CVaR для различных конфигураций портфеля. Эти значения CVaR затем используются в качестве целевых значений для обучения алгоритма, позволяя ему непосредственно оптимизировать портфель с учетом риска убытков, превышающих заданный уровень доверия. По сути, CVaR служит функцией потерь, направляющей обучение к созданию портфеля с минимальным ожидаемым убытком в «хвосте» распределения, что приводит к более устойчивым результатам.

В ходе тестирования разработанная нами система управления рисками продемонстрировала значение Conditional Value-at-Risk (CVaR) на уровне 95% равное -1.8%. Это значение на 2.4 раза ниже, чем у традиционных методов оптимизации портфеля на основе дисперсии, которые показывают CVaR (95%) равный -4.5%. Данный результат свидетельствует о значительно более эффективном управлении потенциальными убытками и повышенной устойчивости портфеля к неблагоприятным рыночным сценариям по сравнению со стандартными подходами.

Модель BNN-S (оранжевый цвет) демонстрирует оптимальное соотношение риска и доходности, формируя Парето-оптимальную область с высоким коэффициентом Шарпа и контролируемым риском, в то время как Mean-Variance (синий цвет) показывает аналогичный коэффициент Шарпа, но значительно более высокий риск, что делает ее менее предпочтительной для приложений, ориентированных на минимизацию риска.

Обучение Оптимизации: Подход Байесовских Нейронных Сетей

Предлагается StudentBNN — Байесовская Нейронная Сеть, обученная аппроксимировать поведение TeacherCVaROptimizer и формировать устойчивую политику распределения активов. StudentBNN использует вероятностный подход, позволяющий оценивать неопределенность в прогнозах и учитывать риски, связанные с рыночными колебаниями. В процессе обучения сеть стремится воспроизвести решения TeacherCVaROptimizer, но, благодаря Байесовскому подходу, получает возможность учитывать более широкий спектр возможных сценариев и адаптироваться к меняющимся рыночным условиям. Это позволяет формировать более надежные и устойчивые портфели, чем при использовании традиционных методов оптимизации.

Метод SandwichTraining предполагает чередование этапов обучения. На этапе контролируемого обучения (supervised learning) StudentBNN обучается имитировать поведение TeacherCVaROptimizer, используя данные, сгенерированные учителем. Последующий этап неконтролируемого обучения (unsupervised learning) направлен на применение структурных ограничений и повышение обобщающей способности модели. Такой подход позволяет StudentBNN не только эффективно перенимать стратегию учителя, но и улучшать устойчивость к новым, ранее не встречавшимся рыночным условиям, благодаря дополнительной регуляризации и оптимизации структуры сети.

Для повышения устойчивости модели используется генерация синтетических данных (SyntheticDataGeneration), направленная на расширение обучающей выборки и моделирование разнообразных рыночных сценариев. Этот процесс предполагает создание искусственных временных рядов, имитирующих различные типы рыночной динамики, включая периоды высокой и низкой волатильности, тренды и боковое движение. Добавление синтетических данных позволяет модели тренироваться на более широком спектре возможных рыночных условий, что повышает ее способность к обобщению и снижает риск переобучения на исторических данных. Сгенерированные данные дополняют реальные рыночные данные, обеспечивая более надежную оценку параметров модели и повышая ее устойчивость к непредсказуемым рыночным изменениям.

В архитектуре StudentBNN используется регуляризация на основе оборота капитала (TurnoverRegularization), направленная на ограничение частоты торговых операций и, как следствие, на снижение транзакционных издержек. Данный метод добавляет штраф к функции потерь, пропорциональный абсолютному изменению весов портфеля между последовательными периодами. Это стимулирует модель к формированию более стабильных портфелей с меньшим количеством сделок, что особенно важно для практического применения в реальных финансовых рынках, где комиссии и спреды могут существенно влиять на итоговую доходность. Регуляризация оборота капитала позволяет снизить влияние шума и переобучения, улучшая обобщающую способность модели и повышая устойчивость к неблагоприятным рыночным условиям.

В ходе тестирования предложенный фреймворк продемонстрировал коэффициент Шарпа, равный 1.83. Это превосходит результаты стратегии Mean-Variance, значение коэффициента Шарпа для которой составило от 1.56 до 1.82, а также показатели Teacher модели, у которой данный коэффициент равен 1.45. Таким образом, разработанный подход демонстрирует улучшенную эффективность управления портфелем по сравнению с базовыми методами и моделью-учителем.

Анализ матрицы парных побед по 15 запускам GRID_3×5 показывает, что BNN-S превосходит Risk-Parity и Teacher (100% и 80% соответственно), но уступает Min-Var (27%), при этом модели, обученные дистилляцией (BNN-S, DNN-S), систематически превосходят модели, обученные под прямым контролем (BNN-sup, DNN-sup).

Стресс-Тестирование и Валидация Модели: Влияние и Перспективы

Для всесторонней оценки производительности StudentBNN проводились симуляции VolatilityBurst, имитирующие резкие скачки волатильности на финансовых рынках. Данный подход позволил подвергнуть модель стресс-тестированию в условиях, приближенных к реальным кризисным ситуациям, что позволило оценить её устойчивость к внезапным изменениям и непредсказуемым колебаниям цен активов. Использование таких симуляций является критически важным для валидации модели, поскольку позволяет выявить потенциальные слабые места и оценить её способность сохранять стабильность и предсказуемость в условиях повышенного риска. Полученные результаты демонстрируют, что StudentBNN эффективно справляется с экстремальными рыночными условиями, обеспечивая надежную работу даже при значительном усилении волатильности.

Для более точной оценки системного риска и взаимосвязей между активами в финансовых моделях используется tt-копула. Данный статистический инструмент позволяет учитывать нелинейные зависимости, которые традиционные методы, такие как корреляция Пирсона, часто игнорируют. В отличие от линейных моделей, tt-копула способна захватывать “хвосты” распределений, отражающие экстремальные события и совместную волатильность активов в периоды кризисов. Это особенно важно при моделировании портфельных рисков, поскольку позволяет более реалистично оценивать вероятность одновременных убытков по нескольким активам и, следовательно, более эффективно управлять ими. Использование tt-копулы в StudentBNN обеспечивает более надежную оценку рисков и способствует формированию более устойчивых инвестиционных стратегий.

Процесс оптимизации портфеля значительно обогащается за счет использования факторной регрессии, которая интегрирует фундаментальные характеристики активов для более обоснованного распределения капитала. Этот подход позволяет учитывать не только статистические зависимости между активами, но и их внутренние свойства, такие как финансовые показатели, отраслевая принадлежность и макроэкономические факторы. В результате, формируется портфель, который не просто соответствует текущим рыночным условиям, но и учитывает долгосрочные перспективы каждого актива, что способствует повышению устойчивости и потенциальной доходности. Факторная регрессия обеспечивает более глубокое понимание рисков и возможностей, позволяя инвесторам принимать взвешенные решения и создавать портфели, адаптированные к их конкретным целям и предпочтениям.

Регуляризация методом гребневой регрессии (Ridge Regression) значительно улучшает производительность факторной регрессии (Factor Regression), особенно при работе с пространствами факторов высокой размерности. В отличие от стандартной регрессии, склонной к переобучению — то есть к адаптации к шуму в данных вместо выявления истинных закономерностей — Ridge Regression добавляет штраф за величину коэффициентов регрессии. Это позволяет модели сохранять способность к обобщению на новые, ранее не виденные данные, даже когда количество факторов велико и потенциально содержит избыточную информацию. Благодаря такому подходу, модель становится более устойчивой к случайным колебаниям и более точно предсказывает поведение активов в различных рыночных условиях, что критически важно для построения эффективных инвестиционных портфелей.

В ходе тестирования модели StudentBNN зафиксировано снижение частоты пересмотра портфеля на 50% по сравнению с детерминированными аналогами. Данный результат демонстрирует преимущества неявной регуляризации, встроенной в архитектуру модели. В отличие от традиционных подходов, требующих явного контроля за сложностью, StudentBNN естественным образом ограничивает избыточность параметров в процессе обучения. Это позволяет модели адаптироваться к изменяющимся рыночным условиям, сохраняя при этом стабильность и уменьшая транзакционные издержки, связанные с частыми операциями по перебалансировке портфеля. Уменьшение частоты пересмотра не только снижает затраты, но и повышает эффективность инвестиционной стратегии за счет более долгосрочного удержания активов.

В условиях повышенной волатильности (2015-2016 гг. и коррекция 4-го квартала 2018 г.) все модели показали снижение эффективности по сравнению с агрегированными показателями: Mean-Variance снизился до 1.684 (-12%-12%), BNN-S - до 0.980 (-46%-46%), а Risk-Parity - до 0.690 (-45%-45%), при этом BNN-S сохранил относительное преимущество над Risk-Parity даже при значительном ухудшении показателей. — В условиях повышенной волатильности (2015-2016 гг. и коррекция 4-го квартала 2018 г.) все модели показали снижение эффективности по сравнению с агрегированными показателями: Mean-Variance снизился до 1.684 (-12%-12%), BNN-S — до 0.980 (-46%-46%), а Risk-Parity — до 0.690 (-45%-45%), при этом BNN-S сохранил относительное преимущество над Risk-Parity даже при значительном ухудшении показателей.

Исследование, представленное в данной работе, стремится обуздать хаос финансовых рынков посредством изящного сочетания байесовских нейронных сетей и полу-контролируемого обучения. Подход, названный «sandwich training», позволяет извлекать максимум информации из ограниченного набора данных, что особенно ценно в условиях неопределенности и смены режимов. В этом стремлении к адаптивности и робастности прослеживается глубокая мудрость, отраженная в словах Брайана Кернигана: «Простота — это высшая степень совершенства». Именно к простоте, позволяющей системам эволюционировать и выживать в постоянно меняющемся окружении, и стремится данная работа, предлагая инвестиционные стратегии, способные не просто реагировать на изменения, но и предвидеть их.

Что Дальше?

Представленная работа, как и любая попытка обуздать волатильность финансовых рынков, скорее выявляет новые зоны неопределённости, чем устраняет старые. Оптимизация портфеля — это не поиск оптимального решения, а конструирование сложной системы, предрасположенной к неожиданным сбоям. Каждый деплой — маленький апокалипсис, и эта модель, несмотря на свою изящность, не является исключением. Особенно остро стоит вопрос о переобучении под текущие рыночные режимы — “полусупервизированное бутербродное обучение” лишь откладывает неизбежный момент, когда модель столкнется с реальностью, отличной от той, на которой она тренировалась.

Перспективы заключаются не в улучшении точности прогнозов, а в более глубоком понимании природы неопределенности. Необходим сдвиг от поиска “лучшей” модели к созданию систем, способных адаптироваться к изменениям и оценивать собственные ошибки. Интересным направлением представляется исследование взаимосвязи между байесовскими сетями и концепцией “черных лебедей” — событий, которые невозможно предсказать, но последствия которых можно смягчить.

Документация? Никто не пишет пророчества после их исполнения. Гораздо важнее разработка инструментов для мониторинга и диагностики сбоев, а также создание механизмов для быстрого восстановления после них. В конечном итоге, успех этой и подобных моделей будет определяться не их способностью предсказывать будущее, а их устойчивостью к неизбежным ошибкам.

Оригинал статьи: https://arxiv.org/pdf/2604.14206.pdf

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

Смотрите также:

2026-04-17 05:50