От классики к интеллекту: эволюция стратегий управления портфелем

Автор: Денис Аветисян

В статье рассматривается переход от традиционной оптимизации к современным методам, использующим факторные модели и байесовские подходы для повышения стабильности и доходности инвестиционных портфелей.

"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

Эффективная граница, ограниченная определёнными условиями, демонстрирует более сжатый диапазон возможных решений по сравнению с не ограниченной, что указывает на компромисс между риском и доходностью в оптимизационных задачах [latex] \text{risk} = f(\text{return}) [/latex]. — Эффективная граница, ограниченная определёнными условиями, демонстрирует более сжатый диапазон возможных решений по сравнению с не ограниченной, что указывает на компромисс между риском и доходностью в оптимизационных задачах $\text{risk} = f(\text{return})$ .

Исследование демонстрирует, что интеграция ограничений, факторных моделей и байесовских техник, таких как модель Блэка-Литтермана, приводит к более реалистичным и эффективным портфельным аллокациям по сравнению с традиционной оптимизацией по Марковицу.

Несмотря на широкое распространение классических методов оптимизации портфеля, их способность учитывать рыночные ограничения и субъективные взгляды инвесторов остается ограниченной. В данной работе, ‘From Classical Optimization to Bayesian Integration: A Comprehensive Analysis of Systematic Portfolio Management’, проводится сравнительный анализ современных подходов к формированию портфеля на примере десяти акций США в период с сентября 2023 по декабрь 2025 года. Полученные результаты демонстрируют, что включение ограничений, факторных моделей и байесовских методов, таких как модель Блэка-Литтермана, способствует повышению стабильности и реалистичности аллокаций, приводя к улучшению показателей вне выборки. Какие перспективы открываются для дальнейшего развития гибридных моделей, сочетающих в себе преимущества классической оптимизации и байесовского подхода в управлении инвестиционным портфелем?

Созидание из Хаоса: Основы Современной Теории Портфеля

Теория современного портфеля (ТСП) произвела революцию в инвестиционной практике, предложив принципиально новый подход к формированию инвестиционных портфелей. В отличие от предыдущих методов, фокусировавшихся на отдельных активах, ТСП подчеркивает важность диверсификации — распределения капитала между различными активами с целью снижения общего риска без ущерба для доходности. Ключевым понятием является “эффективная граница” — графическое представление множества портфелей, обеспечивающих максимальную ожидаемую доходность при заданном уровне риска, или минимальный риск при заданной доходности. Инвесторы, стремящиеся к оптимальному соотношению риска и доходности, могут выбирать портфели, расположенные на этой границе, тем самым максимизируя эффективность своих инвестиций. ТСП не просто советует диверсифицировать, но и предоставляет математическую основу для определения оптимальной структуры портфеля, учитывающей корреляцию между активами и предпочтения инвестора к риску.

В основе современной теории портфеля лежит концепция доходности с учетом риска, где ключевым показателем выступает коэффициент Шарпа. Этот показатель позволяет оценить премию за риск, которую инвестор получает за каждую единицу волатильности актива. Волатильность, или изменчивость цены актива, является мерой его риска, и понимание ее величины критически важно для построения эффективного инвестиционного портфеля. В рамках модели Блэка-Литтермана, используемой для улучшения оценки ожидаемой доходности, был установлен коэффициент неприятия риска рынком на уровне 6.7860. Этот показатель отражает, насколько инвесторы в целом не любят рисковать, и используется для корректировки оценок доходности активов, что позволяет более точно определить оптимальное распределение капитала.

Традиционные модели ценообразования активов, такие как модель оценки капитальных активов (CAPM), зачастую сталкиваются с трудностями при адекватном отражении реальной рыночной сложности. Несмотря на свою теоретическую элегантность и широкое распространение, CAPM предполагает упрощенные представления о поведении инвесторов и структуре рынка. На практике, факторы, влияющие на доходность активов, гораздо разнообразнее и сложнее, чем те, что учитываются в базовой модели. Наблюдается, что корреляции между активами не являются постоянными и могут меняться со временем, а влияние макроэкономических факторов и психологических аспектов инвесторов часто недооценивается. В результате, применение CAPM может приводить к неточным оценкам требуемой доходности и неоптимальным инвестиционным решениям, особенно в условиях высокой волатильности и непредсказуемости рынков.

За Пределами CAPM: Учет Систематических Рисков

Модель Фама-Френча с пятью факторами расширяет классическую модель оценки капитальных активов (CAPM), вводя дополнительные систематические факторы риска помимо рыночного риска. Эти факторы включают размер компании (small minus big, SMB) и стоимость (high minus low, HML). SMB отражает историческую тенденцию, согласно которой компании с небольшой капитализацией демонстрируют более высокую доходность, чем компании с большой капитализацией. Фактор HML учитывает, что акции с высоким отношением балансовой стоимости к рыночной (value stocks) обычно превосходят акции с низким отношением (growth stocks). Помимо SMB и HML, модель включает факторы прибыльности (RMW) и инвестиций (CMA), что позволяет более точно объяснять вариативность доходности активов и улучшать прогнозирование будущих результатов.

Понимание систематических факторов риска имеет решающее значение для точной оценки доходности активов и построения устойчивых портфелей. Исследования показывают, что значительная часть вариации доходности портфеля объясняется именно этими факторами, а не случайными событиями или специфическими рисками отдельных компаний. В частности, факторы размера и стоимости, наряду с рыночным риском, способны объяснить до 70-90% общей вариации доходности акций на долгосрочном периоде, что делает их ключевыми компонентами современных моделей ценообразования активов и управления рисками. Игнорирование этих факторов может привести к неточной оценке ожидаемой доходности и, как следствие, к неоптимальному построению инвестиционного портфеля.

Игнорирование специфического риска, присущего отдельным активам (идиосинкразического риска), может привести к недооценке общего риска портфеля и, следовательно, к неоптимальному управлению им. В то время как систематические риски, такие как рыночный риск, влияют на широкий спектр активов, идиосинкразический риск возникает из уникальных характеристик конкретной компании или актива. Хотя диверсификация может снизить влияние идиосинкразического риска в хорошо диверсифицированном портфеле, он не устраняется полностью и требует отдельной оценки при построении и мониторинге инвестиционных стратегий. В частности, важно учитывать, что идиосинкразический риск, хотя и может быть низким для отдельных активов, суммарно может значительно влиять на общую волатильность портфеля, особенно в периоды рыночной нестабильности.

Оптимизация и Ограничения: Создание Оптимальных Портфелей

Оптимизация «средняя доходность — дисперсия» является базовым методом построения портфелей, направленным на максимизацию ожидаемой доходности при заданном уровне риска. Данный подход предполагает, что инвесторы стремятся к достижению наилучшего соотношения между доходностью и волатильностью. В рамках этой техники формируется функция полезности, учитывающая как ожидаемую доходность портфеля $E(R_p)$ , так и его дисперсию $\sigma_p^2$ , которая служит мерой риска. Решение задачи оптимизации позволяет определить оптимальный состав портфеля, обеспечивающий максимальную ожидаемую доходность при заданном уровне риска или, наоборот, минимальный риск при заданной доходности. Важно отметить, что эффективность данного метода напрямую зависит от точности оценки ожидаемых доходностей и ковариаций активов.

Для решения сложных задач оптимизации портфеля и исследования широкого спектра возможных комбинаций активов часто используется метод Монте-Карло. Данный метод заключается в многократном моделировании случайных сценариев развития рынка и вычислении показателей портфеля (например, доходности и риска) для каждого сценария. Повторяя эти симуляции тысячи или миллионы раз, можно получить статистически значимые оценки эффективности различных портфельных стратегий и оценить вероятность достижения заданных целей по доходности и уровню риска. Это позволяет инвесторам принимать обоснованные решения, учитывая неопределенность рынка и оценивая потенциальные компромиссы между риском и доходностью. $\sigma^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)^2$ — пример расчета дисперсии, используемой в симуляциях.

При практическом построении портфеля необходимо учитывать ограничения диверсификации для избежания чрезмерной концентрации активов и обеспечения стабильности. Исследования показывают, что портфели, построенные с учетом ограничений по весу активов (например, ограничение максимальной доли одного актива в портфеле), демонстрируют улучшенные результаты при тестировании на исторических данных, отличных от тех, на которых производилась оптимизация (out-of-sample performance). Это связано с тем, что ограничения снижают чувствительность портфеля к ошибкам оценки и повышают его устойчивость к неблагоприятным рыночным сценариям. В частности, ограничения способствуют снижению волатильности и максимальной просадки портфеля, что особенно важно для инвесторов, ориентированных на сохранение капитала.

Модель Блэка-Литтермана: Синтез Взглядов и Равновесия

Модель Блэка-Литтермана представляет собой эффективное решение для формирования портфеля, объединяя рыночные равновесные доходности с экспертными оценками инвестора. Данный подход позволяет создать более стабильный и диверсифицированный портфель, избегая крайностей, возникающих при использовании исключительно исторических данных или субъективных прогнозов. Интегрируя объективные рыночные ожидания с индивидуальными представлениями об отдельных активах, модель формирует реалистичную структуру портфеля, снижая чувствительность к краткосрочным колебаниям рынка и обеспечивая более устойчивую доходность в долгосрочной перспективе. Такой синтез взглядов позволяет инвестору выразить уверенность в своих прогнозах, одновременно учитывая широкую картину рынка.

Модель Блэка-Литтермана предлагает изящное решение проблемы, возникающей при построении инвестиционных портфелей. Традиционные подходы, основанные исключительно на исторических данных, часто оказываются уязвимыми к изменениям рыночной конъюнктуры и не учитывают текущие перспективы. С другой стороны, полагаться лишь на субъективные мнения инвесторов чревато необъективностью и завышенными ожиданиями. Модель Блэка-Литтермана позволяет избежать этих недостатков, объединяя объективные рыночные оценки с индивидуальными взглядами инвестора, формируя тем самым более устойчивый и сбалансированный портфель, менее подверженный риску ошибочных решений, основанных на неполной или предвзятой информации.

Модель Блэка-Литтермана формирует надежную и реалистичную структуру для построения инвестиционного портфеля, объединяя рыночные ожидания, выраженные в ценах активов, с экспертными оценками инвестора. Такой подход позволяет избежать крайностей, возникающих при использовании исключительно исторических данных или субъективных мнений. Получаемое распределение активов демонстрирует значительный вес — 74% — приходящийся на “остальные” акции индекса S&P 500, что подчеркивает существенные преимущества диверсификации и снижения риска, обеспечиваемые данной моделью. Это свидетельствует о стремлении к созданию сбалансированного портфеля, устойчивого к колебаниям рынка и позволяющего инвестору реализовывать свои взгляды на будущее.

Исследование демонстрирует, что стремление к оптимизации портфеля, основанное исключительно на математических моделях, часто оказывается неэффективным из-за упрощенных предположений и игнорирования реальных рыночных условий. Работа подчеркивает важность учета ограничений, факторных моделей и байесовских методов, таких как модель Блэка-Литтермана, для достижения более стабильных и реалистичных результатов. В этом контексте, слова Аристотеля: «Цель есть начало, а начало есть самое трудное» приобретают особую актуальность. Действительно, определение адекватных ограничений и начальных предположений — ключевая задача в построении эффективного портфеля, поскольку от этого зависит весь последующий процесс оптимизации и итоговая производительность. Попытки директивного управления портфелем, игнорирующие локальные правила и рыночные реалии, часто приводят к неоптимальным решениям, в то время как учет этих факторов позволяет выявить закономерности и добиться устойчивого роста.

Что дальше?

Представленная работа демонстрирует, что попытки «управления» портфелем посредством наложения ограничений и использования факторных моделей, по сути, лишь направляют естественную эволюцию распределения активов. Вместо централизованного контроля возникает самоорганизующаяся система, где локальные правила — склонность к диверсификации, учет факторных премий — формируют глобальные паттерны. Стабильность, наблюдаемая в результатах, скорее является побочным эффектом этой саморегуляции, нежели прямым следствием «оптимизации».

Однако, вопрос о природе этих «локальных правил» остается открытым. Как определить их оптимальный набор, учитывая неполноту и изменчивость информации? Модель Блэка-Литтермана, будучи элегантным решением, всё же требует априорных оценок, которые неизбежно несут субъективность. Будущие исследования должны сосредоточиться на разработке методов адаптивного обучения этих правил, позволяющих системе самостоятельно корректировать свою стратегию в ответ на меняющиеся рыночные условия.

В конечном счете, задача не в том, чтобы «контролировать» портфель, а в том, чтобы создать условия для его устойчивой эволюции. Слабый контроль сверху, позволяющий локальным взаимодействиям определять глобальную структуру, представляется более перспективным подходом, чем жесткое навязывание заранее заданных целей. Иллюзия контроля приятна, но влияние — реально.

Оригинал статьи: https://arxiv.org/pdf/2605.29413.pdf

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

Смотрите также:

2026-05-30 10:07