Инвестиции как сжатие информации

от

Автор: Денис Аветисян

Новое исследование показывает, что оптимальная инвестиционная стратегия — это не просто максимизация прибыли, а минимизация расхождения с истинным распределением вероятностей.

"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

Критерий Келли, основанный на максимизации логарифмического роста, является объективно оптимальной инвестиционной стратегией, рассматривающей инвестиции как задачу сжатия информации.

Несмотря на кажущуюся произвольность критерия Келли, его применение в управлении инвестициями долгое время оставалось предметом споров. В работе ‘Investing Is Compression’ показано, что данный критерий, основанный на максимизации логарифмического роста капитала, является объективно оптимальной стратегией, минимизирующей риск разорения и обеспечивающей конкурентное преимущество. Ключевой вывод состоит в том, что инвестирование по своей сути является задачей сжатия информации, направленной на минимизацию расхождения между выбранным распределением и истинным, неизвестным распределением. Возможно ли, что понимание инвестирования как задачи сжатия откроет новые пути для разработки более эффективных и устойчивых инвестиционных стратегий?

Инвестиции как Сжатие Информации: Теория и Практика

Традиционные инвестиционные стратегии часто сталкиваются с трудностями при обработке избыточного и нерелевантного объема данных, а также с непредсказуемостью рыночной динамики. Эта проблема заключается в неспособности эффективно сжать ключевую информацию, отделив значимые сигналы от шума. В результате, принятие решений основывается на неполной или искаженной картине рынка, что снижает потенциальную прибыльность и увеличивает риски. Фактически, инвестиционные подходы, не учитывающие необходимость компрессии информации, тратят ресурсы на обработку несущественных данных, упуская из виду действительно важные факторы, влияющие на доходность активов. Такая неэффективность особенно заметна в условиях высокой волатильности и быстро меняющихся рыночных трендов, когда способность быстро и точно анализировать информацию становится критически важной.

Неэффективность традиционных инвестиционных стратегий зачастую связана с тем, что все поступающие данные рассматриваются как равнозначные, что игнорирует их различную информационную ценность и способность предсказывать будущие изменения рынка. Это приводит к перегрузке системы избыточной и нерелевантной информацией, затрудняя выделение действительно важных сигналов. В основе этого явления лежит фундаментальная связь между инвестициями и сжатием данных: эффективное инвестирование требует умения выделять и сохранять только ту информацию, которая действительно влияет на доходность, отбрасывая шум и несущественные детали. Подобно тому, как алгоритмы сжатия данных стремятся максимально уменьшить размер файла, сохраняя при этом ключевую информацию, успешные инвесторы должны стремиться к компрессии информационного потока, выявляя и используя наиболее значимые сигналы для принятия обоснованных решений.

Рассмотрение инвестиций как задачи сжатия информации открывает новые перспективы в построении портфеля и управлении рисками. В основе этого подхода лежит идея о том, что эффективное инвестирование требует не просто обработки большого объема данных, а выделения наиболее значимой информации и отсеивания шума. Максимизация логарифмической прибыли E[log(W)] , где W — богатство, является объективно оптимальной стратегией, поскольку она эквивалентна сжатию информации о будущих рыночных движениях. Таким образом, успешные инвесторы, по сути, создают сжатую репрезентацию рынка, позволяющую им принимать обоснованные решения с минимальными затратами информации и максимизировать доходность при заданном уровне риска. Этот подход позволяет перейти от традиционного анализа, основанного на огромных массивах данных, к более элегантным и эффективным моделям, фокусирующимся на извлечении ключевой информации.

Критерий Келли: Максимизация Логарифмического Роста

Критерий Келли представляет собой математически строгий метод определения оптимального размера ставки, направленный на максимизацию долгосрочного прироста капитала за счет логарифмического роста. В основе метода лежит принцип максимизации математического ожидания логарифма конечного капитала. В отличие от линейной оптимизации, максимизация логарифмической доходности позволяет учитывать риск разорения и обеспечивает более устойчивый рост капитала в долгосрочной перспективе. Оптимальная доля капитала, выделяемая на ставку, рассчитывается на основе вероятности выигрыша, коэффициента выплаты и вероятности проигрыша, обеспечивая баланс между риском и потенциальной прибылью. Применение критерия Келли позволяет избежать как чрезмерно консервативной стратегии, приводящей к незначительному росту, так и чрезмерно агрессивной, ведущей к быстрому разорению.

Критерий Келли имеет прочную теоретическую основу в теории полезности фон Неймана-Моргенштерна, которая описывает рациональный выбор в условиях неопределенности. В рамках этого критерия, для оценки информативности прогнозов используется теория информации Шеннона. Целью является минимизация расхождения между предсказанным и истинным распределениями вероятностей, что позволяет максимизировать математическое ожидание логарифмической доходности. Этот подход позволяет количественно оценить ценность информации, используемой при принятии решений, и оптимизировать размер ставки для достижения максимального долгосрочного роста капитала.

Применение принципов критерия Келли позволяет оптимизировать распределение активов, устанавливая прямую связь между ожидаемой логарифмической доходностью (темпом роста) и такими показателями, как энтропия и расхождение Кульбака-Лейблера. Данная связь математически выражается формулой g(W) = log(R̄T(W)) — H(W) — DKL(W||W), где g(W) представляет собой функцию роста, R̄T(W</i>) — среднюю доходность стратегии W, H(W) — энтропию распределения вероятностей стратегии, а DKL(W*||W) — расхождение Кульбака-Лейблера между истинным и предсказанным распределениями. Максимизация g(W) обеспечивает оптимальный темп роста капитала в долгосрочной перспективе, учитывая как ожидаемую доходность, так и уровень неопределенности, измеряемый энтропией и расхождением.

Универсальные Портфели и Информационно-Теоретическая Оптимизация

Универсальные портфели представляют собой практическое решение для построения асимптотически оптимальных инвестиционных стратегий, не требующее предварительного знания распределения доходности активов. В отличие от традиционных подходов, требующих точной оценки параметров рынка, универсальные портфели адаптируются к различным рыночным условиям, стремясь к максимизации долгосрочной доходности без необходимости моделирования вероятностных характеристик активов. Этот подход особенно ценен в условиях высокой неопределенности и неполноты информации, поскольку позволяет формировать портфель, устойчивый к изменениям рыночной конъюнктуры и не зависящий от конкретных предположений о будущем поведении активов.

Универсальные портфели используют Асимптотическое Свойство Эквипарции (AEP) и Дивергенцию Кульбака-Лейблера (KL-дивергенция) для эффективного сжатия информации и минимизации сожаления. В рамках данной методологии, разница в ожидаемой логарифмической доходности между оптимальным портфелем (W^<i>) и любым другим портфелем (W) ограничена величиной n</i>DKL(W^*||W), где n — горизонт инвестирования. Таким образом, KL-дивергенция служит мерой информационной дистанции между распределениями, определяя верхнюю границу потерь от использования неоптимального портфеля, и позволяя оценить эффективность универсальных портфелей в условиях неопределенности.

Универсальные портфели демонстрируют превосходство над традиционными стратегиями инвестирования за счет явной оптимизации информационной эффективности. В различных рыночных условиях, включая периоды высокой волатильности и меняющихся трендов, такие портфели обеспечивают более устойчивую доходность и снижение рисков. Это достигается путем минимизации расхождения между ожидаемой доходностью оптимального портфеля и фактической доходностью формируемого портфеля, измеряемого через n<i>DKL(W</i>||W), где n — количество периодов, а DKL — расхождение Кульбака-Лейблера. В результате, универсальные портфели адаптируются к меняющимся рыночным условиям, не требуя предварительных предположений о распределении доходности активов.

Инвестирование в Долю Победителя: Практическая Эвристика

Инвестирование по принципу “доли победителя” представляет собой практичный эвристический подход к распределению капитала, основанный на вероятности доминирования актива в рассматриваемом наборе. Вместо сложных расчетов и прогнозов, данный метод фокусируется на выявлении активов, наиболее вероятно превосходящих другие по доходности. По сути, он предполагает, что инвестор должен выделять большую часть капитала тем активам, которые имеют наибольшую вероятность стать «победителями», определяя эту вероятность на основе анализа рынка и доступной информации. Такой подход позволяет создать портфель, оптимизированный для достижения стабильной и высокой доходности, даже в условиях неопределенности, поскольку капитал концентрируется на наиболее перспективных позициях. Данная стратегия отличается простотой реализации и вычислительной эффективностью, делая ее доступной для широкого круга инвесторов.

Для выявления наиболее перспективных активов и оптимизации распределения капитала, данный подход использует методы прогнозирования рыночных тенденций в сочетании с расхождением Кульбака-Лейблера (KL Divergence). Прогнозирование позволяет оценить вероятность доминирования актива в рассматриваемом наборе, а KL Divergence служит мерой различия между предполагаемым распределением вероятностей и фактическим. Сочетание этих инструментов позволяет количественно оценить неопределенность и риск, связанные с каждым активом, и, следовательно, разработать стратегию распределения капитала, максимизирующую ожидаемую доходность при заданном уровне риска. Благодаря этому, метод предоставляет возможность не только определить наиболее привлекательные активы, но и эффективно распределить ресурсы, избегая чрезмерной концентрации в отдельных позициях и обеспечивая диверсификацию портфеля.

Метод инвестирования в активы-победители, основанный на выпуклой оптимизации, представляет собой вычислительно эффективный подход к формированию устойчивого и диверсифицированного портфеля. Исследования показывают, что соотношение между оптимальной доходностью портфеля, полученной с помощью оптимизации, и доходностью, определяемой эвристикой доли победителей, ограничено сверху экспонентой от энтропии распределения доли победителей: R(W<i>)/R(W) ≤ e^{n</i>H(W')}. Это означает, что применение выпуклой оптимизации позволяет существенно улучшить результаты, получаемые при использовании более простых эвристических подходов, при этом величина улучшения предсказуема и связана с характеристиками распределения вероятностей активов, претендующих на роль лидеров. Такой подход обеспечивает баланс между вычислительной сложностью и потенциальной прибылью, делая его привлекательным для практического применения в управлении инвестициями.

Исследование демонстрирует, что критерий Келли — это не просто эвристика, а объективно оптимальная стратегия, рассматривающая инвестирование как задачу сжатия информации. Этот подход, направленный на минимизацию расхождения с истинным распределением, неизбежно напоминает о компромиссах, которые всегда лежат в основе любой архитектуры. Как однажды заметил Дональд Дэвис: «Любая революционная технология завтра станет техдолгом». Действительно, элегантная теория сжатия данных, как и любая другая, рано или поздно столкнется с суровой реальностью продакшена и необходимостью оптимизации, а возможно, и обратной оптимизации. Ведь главное — не идеальная схема, а компромисс, переживший деплой.

Что дальше?

Работа демонстрирует, что критерий Келли — это не просто эвристика, а объективно оптимальная стратегия. Звучит красиво. Но давайте не забывать, что любая элегантная теория рано или поздно столкнётся с жестокой реальностью рынка. Сейчас это назовут «AI-оптимизацией» и получат инвестиции, а потом будут разбираться с переобучением и непредсказуемыми скачками. Неизбежно. В конце концов, всё это когда-то было простым bash-скриптом, а теперь — многослойный монстр, в котором никто не понимает, что к чему.

Остаётся вопрос о практической реализации. Теоретически сжать распределение — прекрасно. А как быть с шумом, неполнотой данных и, главное, с человеческим фактором? Документация снова соврет, гарантированно. Вероятно, следующие исследования будут направлены на разработку робастных алгоритмов, способных адаптироваться к неидеальным условиям и минимизировать дивергенцию в реальном времени. Или, что более вероятно, на поиск новых способов продать старые идеи под новым соусом.

Начинают подозревать, что вся эта история с максимизацией логарифмического роста — лишь очередное подтверждение того, что технический долг — это просто эмоциональный долг с коммитами. Но, по крайней мере, теперь у нас есть красивая математическая модель, чтобы оправдать неизбежные потери. И это, в конечном счёте, главное.

Оригинал статьи: https://arxiv.org/pdf/2604.10758.pdf

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

Смотрите также:

2026-04-15 03:22

© 2026 КОРП-ДЕПО • Создано с помощью