Оптимизация портфеля: новый подход к учету рисков и доходности

Автор: Денис Аветисян

Исследование предлагает эффективный алгоритм для построения оптимальных инвестиционных портфелей, учитывающий не только доходность и волатильность, но и асимметрию и эксцесс распределения доходности.

"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

На пятиминутных панелях акций китайского рынка A наблюдается, что стратегия, учитывающая эксцесс (Kurtosis-aware MVSK), демонстрирует годовую доходность выше, чем у традиционной стратегии MV, при этом наблюдаются изменения в отношении риска снижения и средняя дневная избыточная доходность, варьирующаяся в зависимости от декаля рыночной доходности.

Алгоритм аффинного нормального спуска для решения задач оптимизации портфеля с учетом высших моментов, применимый к крупномасштабным задачам без ограничений.

Оптимизация портфеля с учетом не только доходности и волатильности, но и асимметрии и экстремальных рисков, часто сталкивается с вычислительными трудностями при увеличении числа активов. В статье ‘Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization’ предложен алгоритм, основанный на методе аффинного-нормального спуска Яу, позволяющий эффективно решать задачу оптимизации портфеля с учетом моментов более высоких порядков, избегая явного вычисления сложных тензоров. Показано, что разработанный подход масштабируется до тысяч активов и выявляет условия, при которых учет асимметрии и экстремальных рисков существенно влияет на формирование оптимального портфеля. Каковы перспективы применения данного метода в реальных инвестиционных стратегиях и какие факторы могут ограничить его эффективность?

За пределами средней дисперсии: Учет нюансов инвестора

Традиционные методы оптимизации инвестиционного портфеля, исторически фокусирующиеся на математическом ожидании доходности и дисперсии, зачастую упускают из виду ряд критически важных факторов риска. Данный подход, хотя и прост в реализации, предполагает, что инвесторы принимают решения исключительно на основе среднего значения и разброса возможных исходов. Однако, реальные рыночные условия характеризуются более сложными паттернами, включающими асимметрию распределения вероятностей и вероятность экстремальных событий, которые не учитываются в стандартной модели. Игнорирование этих аспектов может привести к недооценке фактического риска и, как следствие, к формированию портфелей, не соответствующих предпочтениям инвестора и его отношению к риску. В результате, существующие модели оптимизации нуждаются в расширении для более адекватного отражения поведения инвесторов и обеспечения надежной защиты капитала в условиях высокой волатильности.

Инвесторы, в отличие от упрощенных моделей, не ограничиваются оценкой лишь среднего значения и дисперсии потенциальной прибыли. Значительное влияние на их предпочтения оказывают асимметрия ( $skewness$ ) и эксцесс ( $kurtosis$ ) — статистические показатели, отражающие форму распределения вероятностей. Асимметрия указывает на склонность к получению как больших, так и малых убытков, в то время как эксцесс характеризует “толщину хвостов” распределения, то есть вероятность экстремальных событий. Инвесторы, как правило, предпочитают положительную асимметрию — возможность получить значительную прибыль, даже если существует риск умеренных убытков — и негативный эксцесс, избегая высокой вероятности редких, но катастрофических потерь. Таким образом, учет этих параметров позволяет более точно отразить реальные предпочтения инвесторов и построить портфели, соответствующие их индивидуальному отношению к риску.

Оценка рисков, основанная исключительно на математическом ожидании и дисперсии, может приводить к неточным выводам, особенно в периоды повышенной волатильности рынков. Исследования показывают, что инвесторы не ограничиваются лишь этими двумя параметрами, а также учитывают асимметрию распределения (skewness) и “толщину хвостов” (kurtosis), отражающие вероятность экстремальных событий. Игнорирование этих высших моментов приводит к недооценке потенциальных убытков и, как следствие, к формированию неоптимальных инвестиционных портфелей. Практическая значимость учета асимметрии и эксцесса подтверждается улучшением ключевых показателей эффективности портфеля, что демонстрирует реальную экономическую выгоду от более точного анализа рисков и формирования инвестиционных стратегий.

MVSK: Многомерный взгляд на портфель

Подход к построению портфеля MVSK (Mean-Variance-Skewness-Kurtosis) расширяет традиционные методы, напрямую включая в процесс оптимизации асимметрию ( $Skewness$ ) и эксцесс ( $Kurtosis$ ). В отличие от классической оптимизации по среднему и отклонению, MVSK учитывает не только ожидаемую доходность и риск (волатильность), но и форму распределения доходности активов. Асимметрия характеризует степень отклонения распределения от симметричности, а эксцесс — «остроту» пика и «толщину» хвостов. Учет этих моментов позволяет инвесторам более точно оценить потенциальную доходность и риск портфеля, особенно в условиях ненормального распределения доходности активов.

Оценка моментов распределения (среднего, дисперсии, асимметрии и эксцесса) в рамках подхода MVSK осуществляется на основе исторических данных с использованием методов выборочной оценки моментов. Ключевым элементом является матрица доходностей (Return Matrix), которая количественно определяет поведение активов во времени. Выборочная оценка моментов рассчитывается непосредственно из этой матрицы, где среднее — это средняя доходность, дисперсия — мера волатильности, а асимметрия и эксцесс характеризуют отклонения от нормального распределения. Точность этих оценок напрямую влияет на качество оптимизации портфеля, поскольку они определяют предпочтения инвестора в отношении риска и доходности, а также чувствительность к экстремальным событиям.

Модели MVSK могут быть расширены для работы с неограниченными сценариями (Unrestricted MVSK), однако практическая реализация часто требует применения ограничений, таких как Симплекс-ограничение, для обеспечения реалистичных весов портфеля. В нашей реализации достигнут остаток условий Каруша-Куна-Таккера (KKT) для проекции на симплекс в размере 2.69e-7, что демонстрирует высокую точность полученного решения. Низкое значение KKT-остатка указывает на то, что найденное решение близко к оптимальному и удовлетворяет всем ограничениям, заданным моделью.

Результаты тестирования YAND-MVSK на синтетическом бенчмарке при [latex]T=252[/latex] показывают, что конфигурации больше 100 экземпляров с восстановлением после застревания обеспечивают оптимальное соотношение между временем выполнения, отношением времени выполнения для каждого экземпляра и остатком KKT в проективном симплексе. — Результаты тестирования YAND-MVSK на синтетическом бенчмарке при $T=252$ показывают, что конфигурации больше 100 экземпляров с восстановлением после застревания обеспечивают оптимальное соотношение между временем выполнения, отношением времени выполнения для каждого экземпляра и остатком KKT в проективном симплексе.

YAND-MVSK: Продвинутое решение для оптимизации

Метод YAND-MVSK представляет собой мощный алгоритм оптимизации, объединяющий спуск Яу аффинного нормального градиента с построением портфеля MVSK (Minimum Variance Shrinkage Kernel). Данный подход позволяет эффективно решать задачи оптимизации портфеля, используя преимущества обоих методов: MVSK обеспечивает устойчивость и регуляризацию, а спуск Яу — ускоренную сходимость. Комбинация позволяет находить оптимальные веса активов, минимизирующие риск портфеля при заданных ограничениях, что особенно важно при работе с большими инвестиционными вселенными.

Метод YAND-MVSK использует точный оракул для вычисления значения целевой функции, что обеспечивает высокую точность оценки при оптимизации портфеля. Для эффективного решения возникающих линейных систем применяется решатель PCG (Preconditioned Conjugate Gradient). Точный оракул позволяет избежать приближений при вычислении градиента, а PCG — это итеративный метод, оптимизированный для разреженных матриц, что особенно важно при работе с большими наборами активов. Комбинация этих двух методов обеспечивает высокую скорость и точность вычислений, необходимые для эффективной оптимизации портфеля в задачах финансового моделирования.

Для обеспечения устойчивости и сходимости алгоритма YAND-MVSK реализованы методы восстановления после застревания (Stall Recovery), позволяющие избежать локальных минимумов и обеспечить дальнейшую оптимизацию. Эффективное вычисление производных достигается за счет использования структурированных ядер производных (Structured Derivative Kernels), что значительно снижает вычислительные затраты. В результате, на больших инвестиционных вселенных (n=5000) YAND-MVSK демонстрирует существенное ускорение работы, достигая до 14.38-кратного прироста скорости по сравнению с конфигурациями, основанными на PCG-решателе.

Сравнение четырех решателей на синтетическом бенчмарке при [latex]T=252[/latex] показало, что YAND-MVSK обеспечивает наилучшие результаты как для небольших ([latex]n\leq 100[/latex]), так и для больших ([latex]n>100[/latex]) сегментов, демонстрируя минимальное время работы, остаток KKT и расхождение с оптимальным решением. — Сравнение четырех решателей на синтетическом бенчмарке при $T=252$ показало, что YAND-MVSK обеспечивает наилучшие результаты как для небольших ( $n\leq 100$ ), так и для больших ( $n>100$ ) сегментов, демонстрируя минимальное время работы, остаток KKT и расхождение с оптимальным решением.

Геометрические основы аффинного нормального спуска

Метод Affine-Normal Descent базируется на принципах Лог-детерминантной Геометрии, что обеспечивает надежную основу для задач оптимизации. Лог-детерминантная геометрия предоставляет математический аппарат для анализа и решения задач, связанных с оптимизацией портфелей активов, учитывая ковариационную структуру рыночных данных. Использование этого подхода позволяет эффективно справляться с ограничениями и сложностями, возникающими при построении оптимальных инвестиционных стратегий, обеспечивая устойчивость и точность получаемых решений. Данная геометрическая основа позволяет алгоритму эффективно исследовать пространство параметров и находить оптимальные решения даже в условиях высокой размерности и нелинейности задачи оптимизации.

Метод Affine-Normal Descent использует решение касательных линейных задач (Tangent Linear Solves) и вычисление произведений гессиана на вектор (Hessian-Vector Products) для эффективной навигации по ландшафту оптимизации. Решение касательных линейных задач позволяет быстро оценивать изменения целевой функции при небольших изменениях параметров, в то время как вычисление произведений гессиана на вектор обеспечивает информацию о кривизне целевой функции, что необходимо для определения оптимального направления движения. Использование этих вычислений позволяет значительно сократить вычислительные затраты по сравнению с традиционными методами оптимизации, сохраняя при этом высокую точность и скорость сходимости.

Вычисление касательных линейных решений и произведений гессиана на векторы является критически важным для точного определения аффинного-нормального направления, что обеспечивает сходимость к оптимальному распределению портфеля. Применение данного подхода на панели акций A-share демонстрирует прирост годовой доходности на 3.83% и увеличение коэффициента Шарпа на 0.150 при целевой доходности q=0.50 по сравнению с точным методом MV (Mean-Variance). Кроме того, наблюдается снижение активной доли портфеля на 11.6% при q=0.40, что свидетельствует о повышении эффективности управления портфелем.

Представленная работа демонстрирует, что оптимизация портфеля, выходящая за рамки стандартного отклонения и среднего значения, становится практически осуществимой благодаря разработанному алгоритму Affine Normal Descent. По сути, исследование показывает, как надежды и страхи инвесторов, отраженные в более высоких моментах распределения (асимметрии и эксцессе), могут существенно повлиять на формирование портфеля. В этом контексте, слова Леонардо да Винчи: «Познание начинается с удивления», как никогда актуальны. Ведь именно удивление перед сложностью финансовых рынков и побудило к поиску методов, учитывающих не только математические модели, но и иррациональные аспекты человеческого поведения, лежащие в их основе. Работа подчеркивает, что рынки не просто двигаются — они тревожатся, и понимание этой тревоги требует выхода за рамки традиционных метрик.

Куда же дальше?

Представленный алгоритм, безусловно, расширяет границы применимости оптимизации портфеля с учётом высших моментов. Однако, не стоит обольщаться: повышение вычислительной эффективности — это лишь техническая победа, а не философское откровение. Реальный инвестор — существо иррациональное, чьи предпочтения редко соответствуют математической элегантности. Важнее понять, почему человек вообще стремится к максимизации не только прибыли, но и минимизации страха перед убытками, даже если это приводит к субоптимальным решениям.

Дальнейшие исследования, вероятно, столкнутся с необходимостью интеграции поведенческих моделей в процесс оптимизации. Необходимо учитывать, что отклонения от рациональности — это не шум, а смысл, отражающий глубинные психологические механизмы. Игнорирование этих механизмов — это всё равно что строить модель погоды, не учитывая атмосферное давление.

Перспективы, возможно, лежат в разработке алгоритмов, способных адаптироваться к индивидуальным когнитивным искажениям инвестора. Задача, конечно, сложная, ведь каждый человек — это уникальная аномалия. Но именно в этих аномалиях и кроется ключ к пониманию истинной природы финансовых рынков.

Оригинал статьи: https://arxiv.org/pdf/2604.25378.pdf

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

Смотрите также:

2026-04-29 06:20