Mean-Variance Optimization in Ambiguous Financial Markets with Learning

Автор: Денис Аветисян

Распределение конечного капитала [latex]X^*[/latex] демонстрирует влияние параметров α и β при гауссовском априорном распределении и [latex]T=1[/latex], причем случай [latex]\alpha = \beta[/latex] соответствует нейтральной по отношению к неоднозначности настройке, описанной в разделе 3.1, определяя поведение параметра α. — Распределение конечного капитала $X^*$ демонстрирует влияние параметров α и β при гауссовском априорном распределении и $T=1$ , причем случай $\alpha = \beta$ соответствует нейтральной по отношению к неоднозначности настройке, описанной в разделе 3.1, определяя поведение параметра α.

Неопределенность параметров финансовых рынков часто игнорируется в классических моделях оптимизации портфеля, что может приводить к неоптимальным инвестиционным решениям. В работе ‘Mean-Variance Optimization in Ambiguous Financial Markets with Learning’ предложена модель непрерывного времени для решения инвестиционной задачи в условиях неопределенности относительно дрейфов активов, учитывающая неприятие инвестором как риска, так и неопределенности модели. Основным результатом является вывод аналитических решений для оптимальной динамической инвестиционной стратегии, учитывающей обучение инвестора и позволяющей взвешивать различные компоненты дисперсии в зависимости от уровня неприятия неопределенности. Каким образом учет различных типов неопределенности может повысить устойчивость инвестиционных стратегий в долгосрочной перспективе?

"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

Неопределенность как Суть Инвестиций

Традиционные методы оптимизации инвестиционного портфеля часто опираются на точные оценки ожидаемой доходности активов, известной как “дрифт”. Однако, в реальности, получение таких точных оценок представляет значительную проблему. Ожидаемая доходность редко бывает известна с уверенностью и подвержена многочисленным ошибкам, связанным с волатильностью рынка, неполнотой информации и сложностью прогнозирования будущих экономических условий. Использование неточных оценок дрифта может привести к формированию портфеля, не соответствующего истинным рискам и потенциальной доходности, что, в свою очередь, снижает эффективность инвестиций и увеличивает вероятность убытков. Поэтому, все больше внимания уделяется разработке моделей, способных учитывать неопределенность в оценках ожидаемой доходности и формировать более устойчивые и надежные инвестиционные стратегии.

This uncertainty necessitates a framework that explicitly accounts for the investor’s beliefs about the unknown drift parameter.

Игнорирование неопределенности в оценке ожидаемой доходности активов может привести к неоптимальным инвестиционным стратегиям и, как следствие, к повышенному риску убытков. Традиционные методы оптимизации портфеля, основанные на точных, но часто недоступных прогнозах, не учитывают вероятность ошибок в этих оценках. Это означает, что портфель, сформированный на ошибочных предположениях о доходности, может оказаться значительно менее устойчивым к рыночным колебаниям, чем предполагалось. Более того, игнорирование неопределенности может привести к завышенной оценке потенциальной прибыли и недооценке связанных с инвестициями рисков, что в конечном итоге может негативно сказаться на общей доходности портфеля и финансовом благополучии инвестора. В условиях высокой волатильности и непредсказуемости рынков, учет неопределенности становится ключевым фактором для обеспечения стабильности и эффективности инвестиционных стратегий.

Для эффективного преодоления неопределенности в процессе оптимизации инвестиционного портфеля, необходимо интегрировать априорные убеждения инвестора с поступающими рыночными данными. Данный подход позволяет формировать более реалистичную оценку ожидаемой доходности активов, учитывая субъективные представления инвестора о будущем. Вместо полагания исключительно на исторические данные или точечные прогнозы, стратегия включает в себя начальные предположения, которые затем корректируются по мере поступления новой информации. Подобный байесовский подход, использующий $P(θ|D) \propto P(D|θ)P(θ)$ , где θ — параметр доходности, а $D$ — рыночные данные, обеспечивает адаптацию портфеля к меняющимся условиям и позволяет снизить риск принятия неоптимальных решений в условиях высокой неопределенности. В результате, инвестор получает не просто набор активов, а динамически корректируемую стратегию, учитывающую как его личные убеждения, так и объективную реальность рынка.

При значениях [latex] \alpha = -1 [/latex] и [latex] \beta = -{50} [/latex] оптимальная инвестиционная стратегия [latex] \pi^{\*} [/latex] позволяет эффективно управлять рискованными активами, в отличие от стратегии [latex] \pi^{B} [/latex]. — При значениях $\alpha = -1$ и $\beta = -{50}$ оптимальная инвестиционная стратегия $\pi^{\*}$ позволяет эффективно управлять рискованными активами, в отличие от стратегии $\pi^{B}$ .

Байесовский Подход: Вера как Основа Портфеля

A Bayesian approach provides a natural framework for incorporating prior beliefs about the asset drift into the portfolio optimization process.

В основе метода лежит использование априорного распределения $P(\mu)$ , представляющего собой начальные представления инвестора о дрифте активов. Распределения, такие как $GaussianPrior$ (нормальное распределение) или $DiscretePrior$ (дискретное распределение), позволяют формализовать эти начальные убеждения. По мере поступления новых рыночных данных, априорное распределение обновляется с помощью теоремы Байеса, формируя апостериорное распределение $P(\mu|D)$ , где D — наблюдаемые данные. Этот процесс обновления позволяет учитывать не только текущую информацию, но и предыдущие представления инвестора, что особенно важно в условиях неопределенности и изменчивости рынков.

The `BayesianApproach` allows investors to quantify and manage their uncertainty about the drift parameter, leading to more informed decisions.

Непрерывная во времени аллокация активов (ContinuousTimePortfolioAllocation) на основе байесовского подхода позволяет создавать стратегии, динамически адаптирующиеся к изменяющимся рыночным условиям. В отличие от статических или периодически перебалансируемых портфелей, данный метод непрерывно корректирует распределение активов, учитывая поступающие рыночные данные и обновленные оценки параметров, таких как ожидаемая доходность и волатильность. Это достигается за счет использования стохастических дифференциальных уравнений, описывающих эволюцию портфеля во времени, и решения задачи оптимального управления с учетом текущего состояния рынка и инвестора. Подобный подход позволяет учитывать влияние как экзогенных факторов, так и внутренних убеждений инвестора, выраженных в априорном распределении, что особенно важно в условиях высокой неопределенности и неполной информации.

Оптимальное конечное состояние богатства [latex]X^*[/latex] линейно зависит от [latex]S(T)[/latex] при [latex]T=1[/latex] и гауссовском априорном распределении. — Оптимальное конечное состояние богатства $X^*$ линейно зависит от $S(T)$ при $T=1$ и гауссовском априорном распределении.

Математические Основы: Точность в Деталях

Критерий среднего отклонения ( $\text{MeanVarianceCriterion}$ ) является основным методом оптимизации, используемым для построения портфеля, который стремится максимизировать ожидаемую доходность при заданном уровне риска. Риск в данном контексте измеряется дисперсией доходности. Данный критерий предполагает, что инвестор рационален и стремится к достижению оптимального баланса между доходностью и риском. Расширение критерия включает в себя учёт неприятия неопределенности (ambiguity aversion), что позволяет учитывать не только риск, связанный с волатильностью активов, но и риск, связанный с неточностью оценки параметров модели, что повышает устойчивость портфеля к различным сценариям.

При использовании непрерывных априорных распределений, задача оптимизации для определения оптимального конечного капитала решается посредством $FredholmIntegralEquation$ . Это интегральное уравнение позволяет аналитически выразить оптимальный конечный капитал как функцию параметров модели и стратегии инвестирования. Решение данного уравнения обеспечивает возможность вычисления точного значения конечного капитала, максимизирующего ожидаемую доходность при заданном уровне риска, что является ключевым элементом в построении эффективной инвестиционной стратегии. Использование $FredholmIntegralEquation$ позволяет избежать численных методов и получить аналитическое решение, что обеспечивает более высокую точность и скорость вычислений.

Оптимальное конечное богатство $W^<i>(t)$ , полученное в результате решения задачи оптимизации по критерию среднего и дисперсии с учетом неприятия к неопределенности, является основой для построения инвестиционной стратегии. Данное конечное богатство определяет целевой уровень капитала, к которому стремится инвестор в конце инвестиционного горизонта. На основе $W^</i>(t)$ рассчитывается оптимальное распределение активов во времени, определяющее доли различных финансовых инструментов в портфеле на каждом шаге. Таким образом, инвестиционная стратегия, выраженная в виде динамически изменяющегося портфеля, напрямую вытекает из решения оптимизационной задачи и обеспечивает достижение целевого уровня богатства с учетом заданных ограничений и предпочтений инвестора.

Математическая основа, включающая в себя критерий среднего отклонения и решение фредгольмовского интегрального уравнения, обеспечивает не только эффективное распределение портфеля с точки зрения максимизации доходности при заданном уровне риска, но и устойчивость к неопределенности рыночных факторов. Использование непрерывных априорных распределений позволяет учитывать широкий спектр возможных сценариев, а оптимальное целевое богатство, полученное в результате решения уравнения, служит основой для формирования инвестиционной стратегии, минимизирующей негативное влияние случайных колебаний и обеспечивающей стабильность портфеля в долгосрочной перспективе. Эффективность достигается путем балансировки ожидаемой доходности и риска, а устойчивость — за счет учета и смягчения последствий неопределенности.

Распределение конечного капитала [latex]X^*[/latex] зависит от значений параметров α и β, при этом случай [latex]\alpha = \beta[/latex] соответствует нейтральному отношению к неопределенности, рассмотренному в разделе 3.1 с параметром α. — Распределение конечного капитала $X^*$ зависит от значений параметров α и β, при этом случай $\alpha = \beta$ соответствует нейтральному отношению к неопределенности, рассмотренному в разделе 3.1 с параметром α.

Неприятие Неопределенности: Когда Знание — Сила

Неприятие неопределенности, или $\text{AmbiguityAversion}$ , оказывает непосредственное влияние на процесс оптимизации инвестиционного портфеля. Инвесторы, демонстрирующие неприятие неопределенности, требуют дополнительную премию — $\text{AmbiguityPremium}$ — в качестве компенсации за риск, связанный с неточностью модели и недостатком информации о будущих доходах. Эта премия, по сути, является ценой, которую инвестор готов заплатить за снижение неопределенности и повышение уверенности в прогнозах. Включение параметра неприятия неопределенности в модель позволяет более реалистично отразить поведение инвестора и сформировать портфель, учитывающий его индивидуальную склонность к риску и нежелание сталкиваться с непредсказуемыми ситуациями. Таким образом, величина $\text{AmbiguityPremium}$ становится ключевым фактором, определяющим итоговую структуру инвестиционного портфеля и потенциальную доходность.

Модель, учитывающая неприятие неопределенности инвестора, предоставляет более точное отражение реального поведения на финансовых рынках. Традиционные модели часто предполагают, что инвесторы рационально оценивают риски, основываясь на четко определенных вероятностях. Однако, на практике, инвесторы проявляют повышенную осторожность в ситуациях, когда информация неполна или неясна. Учет неприятия неопределенности позволяет моделировать такое поведение, вводя премию за неопределенность — дополнительную компенсацию, которую инвестор требует за принятие риска в условиях неполной информации. В результате, модель способна более адекватно прогнозировать принятие инвестиционных решений и формирование портфелей, учитывая психологические особенности инвесторов и их склонность избегать ситуаций с высокой степенью неопределенности. Это особенно важно при оценке сложных финансовых инструментов и в условиях волатильности рынков, где традиционные модели могут давать неверные результаты.

Традиционный компромисс между ожидаемой доходностью и риском, выражаемый в виде $\mu - \lambda\sigma^2$ , претерпевает существенные изменения при учете неприятия неопределенности инвестором. Вместо простого взвешивания между прибылью и волатильностью, модель адаптирует этот компромисс, вводя штраф за недостаточную информацию о будущей доходности актива. Это приводит к тому, что инвестор, испытывающий неприятие неопределенности, склонен к более консервативному распределению капитала, отдавая предпочтение активам с более предсказуемой доходностью, даже если это означает снижение потенциальной прибыли. В результате, сформированный портфель более точно отражает индивидуальные предпочтения инвестора, учитывая не только его отношение к риску, но и его нежелание действовать в условиях неопределенности, что позволяет создать инвестиционную стратегию, максимально соответствующую его потребностям и ожиданиям.

Численные результаты исследований показали, что изменения в склонности к рыночному риску оказывают значительно большее влияние на распределение конечной выплаты, чем изменения в неприятии неопределенности. Данный вывод подчеркивает доминирующую роль традиционного фактора риска в формировании итогового результата инвестиционной стратегии. Несмотря на важность учета неприятия неопределенности для более точного моделирования поведения инвесторов, именно колебания в оценке рыночного риска оказываются определяющими при анализе распределения вероятностей конечной прибыли или убытков. Это означает, что инвесторы, в большей степени обеспокоены колебаниями рынка, чем неопределенностью, связанной с точностью используемой модели, что существенно влияет на формирование инвестиционных предпочтений и стратегий управления рисками.

The empirical distributions of terminal wealth exhibit negative skewness, indicating a preference for avoiding large losses, with the degree of skewness influenced by the parameters of both the prior distribution and the investor’s risk/ambiguity aversion.

Исследование показывает, что доля инвестиционной стратегии, направленной на защиту от неопределенности модели, гораздо сильнее зависит от первоначальных представлений о распределении дрейфа, чем от степени неприятия инвестором неопределенности. Это подчеркивает критическую важность точной спецификации априорных убеждений. Иными словами, первоначальные оценки вероятностей и параметров, заложенные в модель, оказывают более существенное влияние на стратегию хеджирования рисков, связанных с неточностью модели, чем индивидуальные характеристики инвестора, определяющие его неприятие неопределенности. Таким образом, для эффективного управления инвестиционным портфелем и снижения рисков, связанных с модельными погрешностями, первоочередное значение имеет формирование максимально точных априорных оценок, основанных на доступной информации и экспертных знаниях.

Куда Далее?

Представленная работа, хотя и предлагает аналитическое решение для портфельного выбора в условиях неопределенности, лишь обнажает глубину нерешенных вопросов. Упрощение, неизбежное в аналитических моделях, оставляет за бортом сложность реальных финансовых рынков — нелинейности, скачки, неполноту информации. Стремление к элегантности решения не должно заслонять осознание его ограниченности.

Будущие исследования должны сосредоточиться на преодолении этих упрощений. Интеграция методов машинного обучения, способных улавливать тонкие зависимости в данных, представляется перспективной, но сопряжена с риском переобучения и потери интерпретируемости. Более того, необходимо критически оценить саму концепцию “неприятия неопределенности” — является ли она универсальной характеристикой рационального агента, или лишь артефактом модельных предположений?

Возможно, истинный прогресс лежит не в усложнении моделей, а в их упрощении до принципиально новых, более прозрачных структур. Иногда, самое ценное — это не то, что добавлено, а то, что было с мужеством исключено.

Оригинал статьи: https://arxiv.org/pdf/2606.11318.pdf

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

Смотрите также:

2026-06-11 08:45