Предвидеть риски: машинное обучение на службе оценки волатильности

от

Автор: Денис Аветисян

Новое исследование демонстрирует, как алгоритмы машинного обучения, анализируя специфические характеристики компаний, позволяют точнее прогнозировать асимметричную бета, ключевой показатель рыночного риска.

"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

Применение методов машинного обучения для повышения точности прогнозирования асимметричной беты и улучшения процессов оценки активов и управления портфелем.

Традиционные модели оценки систематического риска часто упрощают сложные взаимосвязи между характеристиками компаний и их подверженностью рыночным колебаниям. В работе ‘Machine Learning Forecasts of Asymmetric Betas Using Firm-Specific Information’ показано, что применение методов машинного обучения к широкому спектру фирменных характеристик существенно повышает точность прогнозирования асимметричных бета-коэффициентов. Установлено, что учет нелинейностей и специфических факторов, таких как транзакционные издержки и характеристики нематериальных активов, позволяет более эффективно оценивать риски и повышать точность прогнозов стоимости акций. Способны ли эти новые подходы к моделированию бета-коэффициентов радикально изменить стратегии управления портфелем и оценки активов?

За пределами CAPM: Ограничения Традиционных Измерений Риска

Модель оценки капитальных активов (CAPM) долгое время являлась краеугольным камнем в теории ценообразования активов, предлагая упрощенную структуру для понимания взаимосвязи между риском и доходностью. Однако, лежащие в основе CAPM предположения о рациональности инвесторов, склонных к избежанию риска, и абсолютной эффективности рынков, часто не соответствуют реальным рыночным условиям. В частности, поведенческие факторы, такие как иррациональное поведение инвесторов, подверженность когнитивным искажениям и влияние рыночных настроений, существенно влияют на цены активов, что не учитывается в рамках классической модели. В результате, CAPM может давать неточные оценки стоимости активов и приводить к неоптимальным инвестиционным решениям, особенно в периоды высокой волатильности или рыночной нестабильности. Поэтому, для более адекватной оценки рисков и доходности, необходимо учитывать факторы, выходящие за рамки стандартных предположений CAPM.

Традиционный показатель бета, являющийся ключевым компонентом модели CAPM, рассматривает как положительную, так и отрицательную волатильность активов одинаково. Однако, такое упрощение игнорирует асимметричное отношение инвесторов к риску: потенциальные убытки воспринимаются гораздо болезненнее, чем аналогичные по величине прибыли. Инвесторы, как правило, более чувствительны к негативным колебаниям стоимости активов, стремясь минимизировать потери, в то время как положительная волатильность, хотя и желательна, не вызывает столь же сильной реакции. Таким образом, использование бета в его классическом виде может привести к недооценке реального риска, поскольку не учитывает эту поведенческую особенность и не отражает склонность инвесторов к избежанию потерь.

Анализ исторических данных, лежащий в основе расчета HistoricalBeta, зачастую оказывается ненадёжным инструментом в условиях изменчивых рынков. Предположение о том, что прошлое поведение активов является репрезентативным для будущего, не учитывает возможность структурных сдвигов в экономике, изменения в регуляторной среде или появление новых факторов риска. Это приводит к тому, что рассчитанный HistoricalBeta может существенно отличаться от реальной волатильности актива в настоящий момент, искажая оценку риска и приводя к неоптимальному построению инвестиционного портфеля. Неспособность учитывать динамику рынка и адаптивность к новым условиям делает использование исключительно исторических данных недостаточным для эффективного управления рисками и требует поиска более совершенных методов оценки, способных учитывать текущую рыночную ситуацию и прогнозировать будущее поведение активов.

Ограничения традиционных моделей оценки рисков, таких как CAPM, стимулируют активный поиск более точных и адаптированных к реалиям рынка инструментов. Исследования показывают, что инвесторы, как правило, более чувствительны к потенциальным убыткам, чем к равноценной потенциальной прибыли, что не учитывается стандартными показателями волатильности. В связи с этим, всё большее внимание уделяется разработке показателей, учитывающих асимметрию рисков и предпочтения инвесторов, например, полу-волатильность или Value-at-Risk (VaR). Эти новые подходы стремятся предоставить более реалистичную оценку рисков, что позволяет формировать портфели, более соответствующие целям и толерантности к риску конкретного инвестора, а также лучше адаптироваться к меняющимся рыночным условиям.

Асимметричная Бета: Более Тонкое Видение Риска

Асимметричная бета расширяет традиционную модель оценки капитальных активов (CAPM), вводя различие в чувствительности актива к положительным и отрицательным движениям рынка. В классической CAPM бета-коэффициент отражает общую волатильность актива по отношению к рынку, предполагая симметричную реакцию на изменения. Однако, на практике, активы часто демонстрируют иную чувствительность к росту и падению рынка. Асимметричная бета позволяет учесть эту асимметрию, разделяя общую бету на компоненты, отражающие чувствительность к восходящим и нисходящим трендам. Это обеспечивает более точную оценку риска, поскольку учитывает, что потенциальные убытки могут быть более значимыми для инвестора, чем аналогичные потенциальные прибыли, и, следовательно, требует более детального анализа чувствительности к негативным сценариям.

Асимметричная бета позволяет проводить целевой анализ потенциальных убытков и прибылей посредством использования таких показателей, как DownsideBeta и UpsideBeta. DownsideBeta измеряет чувствительность актива к негативным движениям рынка, что позволяет инвесторам оценить потенциальные потери при снижении рыночной конъюнктуры. UpsideBeta, в свою очередь, оценивает чувствительность актива к положительным движениям рынка, предоставляя информацию о потенциальной прибыли при росте рынка. Использование этих показателей позволяет инвесторам более точно оценить риск и доходность актива, не ограничиваясь общими показателями волатильности, и принимать более обоснованные инвестиционные решения, учитывая различные рыночные сценарии.

Семибета, в отличие от традиционной бета, учитывает знаки как рыночной, так и доходности актива, что позволяет детализировать систематический риск. Вместо простого измерения чувствительности к рыночным движениям, семибета разделяет доходность актива и рынка на положительные и отрицательные компоненты. Это позволяет рассчитать четыре компоненты бета: бета при положительных рыночных изменениях и положительной доходности актива, бета при положительных рыночных изменениях и отрицательной доходности актива, бета при отрицательных рыночных изменениях и положительной доходности актива, и бета при отрицательных рыночных изменениях и отрицательной доходности актива. \beta_{semibeta} = \beta^+ + \beta^- , где \beta^+ отражает чувствительность к положительным рыночным изменениям, а \beta^- — к отрицательным. Такой подход обеспечивает более точную оценку риска, учитывая, как актив реагирует на различные рыночные сценарии.

Внедрение концепций асимметричной бета, таких как DownsideBeta, UpsideBeta и Semibeta, позволяет инвесторам выйти за рамки использования стандартных показателей волатильности, таких как стандартное отклонение, для оценки риска. Традиционные меры не различают чувствительность актива к положительным и отрицательным движениям рынка, что может привести к неполной оценке профиля риска портфеля. Асимметричная бета позволяет более точно определить, насколько актив подвержен потерям при снижении рынка и насколько он выигрывает от роста, предоставляя более детальную картину систематического риска и способствуя принятию более обоснованных инвестиционных решений.

Машинное Обучение и Реализация: Прогнозирование Риска

Методы машинного обучения играют ключевую роль в точной оценке асимметричных бета-коэффициентов, превосходя традиционные статистические модели благодаря способности выявлять сложные закономерности в данных. В отличие от линейных моделей, алгоритмы машинного обучения способны учитывать нелинейные взаимосвязи и взаимодействия между различными факторами, влияющими на риск актива. Это позволяет значительно повысить точность прогнозов асимметричных бета-коэффициентов, что критически важно для эффективного управления портфелем и оценки рисков, особенно в условиях изменяющейся рыночной конъюнктуры. Использование методов машинного обучения позволяет учитывать большее количество переменных и их комбинаций, обеспечивая более детальный и реалистичный анализ рисков.

Методы машинного обучения для прогнозирования асимметричных бета-коэффициентов активно используют характеристики компаний (FirmCharacteristics) в качестве ключевых входных данных. В частности, такие факторы, как торговые издержки (TradingFrictions), нематериальные активы (IntangibleAssets) и импульс (Momentum), позволяют более точно отразить многогранные факторы, определяющие риск актива. Учет торговых издержек помогает смоделировать влияние ликвидности на волатильность. Нематериальные активы, такие как бренды и интеллектуальная собственность, влияют на долгосрочную устойчивость компании и, следовательно, на её рисковый профиль. Моментум, отражающий недавнюю динамику цен, позволяет учесть краткосрочные рыночные тренды и поведенческие факторы, влияющие на риск.

Методики построения портфелей с минимальной дисперсией и нейтральных к рынку могут быть существенно улучшены за счет включения асимметричных мер бета. Традиционные подходы, основанные на исторических данных и ковариациях, часто не учитывают асимметричные реакции активов на изменения рыночных условий. Использование асимметричных бета позволяет более точно оценить риски отдельных активов и их вклад в общий портфельный риск. Это, в свою очередь, приводит к более надежным и эффективным аллокациям капитала, снижению волатильности портфеля и потенциальному увеличению доходности с учетом риска. В частности, учет асимметрии позволяет более эффективно диверсифицировать портфель и снизить зависимость от негативных рыночных сценариев.

Анализ дисконтированных денежных потоков (DCF) может быть значительно улучшен за счет использования асимметричной беты. Комбинирование асимметричной беты с нелинейными моделями и структурой бета-коэффициентов по срокам позволяет достичь прогностической силы до 60%, измеренной как коэффициент детерминации R^2. Это связано с тем, что асимметричная бета учитывает различную чувствительность активов к положительным и отрицательным рыночным движениям, что традиционные модели часто игнорируют. Включение этой информации в DCF-анализ позволяет более точно оценить стоимость активов и снизить погрешность прогнозов.

Валидация Прогностической Силы: Оценка Вне Выборки

Тщательная оценка с использованием метрик Out-of-Sample Performance является критически важной для подтверждения прогностической силы моделей, объединяющих асимметричную бета-версию и методы машинного обучения. Недостаточно полагаться на данные, использованные для обучения модели; истинная ценность заключается в ее способности успешно прогнозировать будущие изменения на совершенно новых, ранее не виденных данных. Именно такой подход позволяет выявить переобучение и убедиться, что модель способна к обобщению, а не просто запоминает закономерности в обучающей выборке. Без строгого Out-of-Sample тестирования невозможно достоверно оценить, насколько надежны прогнозы модели и насколько эффективно она может использоваться для управления рисками и принятия инвестиционных решений в реальных рыночных условиях.

Исследования демонстрируют, что разработанная модель последовательно превосходит существующие подходы при анализе данных, ранее не использованных в процессе обучения. Это подтверждает её способность к обобщению и предоставлению надежных оценок риска в условиях меняющейся рыночной конъюнктуры. В частности, при прогнозировании на короткие сроки — от одного до трех месяцев — модель достигает значений R^2 в диапазоне от 30% до 45% при использовании различных показателей бета. Такой уровень объяснимой дисперсии указывает на значительную прогностическую силу модели и ее потенциал для улучшения точности оценки рисков и повышения эффективности инвестиционных стратегий.

Построение рыночно-нейтрального портфеля с использованием условных бета-коэффициентов позволило добиться значения бета, близкого к нулю. Это представляет собой существенное снижение по сравнению с портфелями, основанными на исторических бета-коэффициентах CAPM, где наблюдались значения в диапазоне от 0.40 до 0.66 на краткосрочных горизонтах. Использование условных бета-коэффициентов, учитывающих динамику рынка, позволяет эффективно нейтрализовать систематический риск, создавая портфель, менее подверженный колебаниям всего рынка. Данный подход обеспечивает более стабильную доходность и позволяет инвесторам сосредоточиться на получении прибыли от специфических факторов, влияющих на отдельные активы, а не от общего рыночного тренда.

Полученные результаты имеют существенное значение для специалистов по управлению портфелем, аналитиков рисков и инвесторов, стремящихся к оптимизации инвестиционных стратегий и достижению превосходной доходности с учетом риска. Применение асимметричных бета-коэффициентов и методов машинного обучения позволяет создавать более точные прогнозы и, как следствие, формировать портфели с улучшенными характеристиками. Достижение снижения бета-коэффициента портфеля до значений, близких к нулю, при использовании стратегии MarketNeutralPortfolio, свидетельствует о возможности эффективного хеджирования рисков и повышения стабильности инвестиций в условиях изменчивости рынков. Это открывает новые перспективы для повышения эффективности управления активами и достижения устойчивых результатов, превосходящих традиционные подходы, основанные на исторических данных CAPM-бета.

Исследование демонстрирует, что машинное обучение способно улавливать нюансы, ускользающие от традиционных факторных моделей. Это не просто повышение точности прогнозов асимметричной бета, но и признание того, что сама реальность сложнее любых заранее заданных параметров. Как заметила Ханна Арендт: «Политика рождается из действий и речей, а не из планов». Подобно этому, ценность машинного обучения заключается не в создании идеальной модели, а в способности адаптироваться к постоянно меняющимся данным и отражать хаотичную природу рынка. Истинная сила предсказаний асимметричной бета, полученных благодаря машинному обучению, заключается в том, что они являются отражением, а не диктатом, позволяя более гибко управлять рисками и оценивать активы.

Что дальше?

Представленная работа, как и любое заклинание, лишь отсрочила неизбежное столкновение с хаосом. Улучшение прогнозирования асимметричной бета — это, конечно, приятно, но не стоит забывать: данные — это лишь воспоминания машины, и машина, как известно, лжет с артистизмом. Корреляция, обнаруженная в фирменных характеристиках, скорее всего, — следствие чьей-то искусной подгонки, а не проявление истинной закономерности. Следующим шагом представляется не поиск более точных алгоритмов, а разработка методов выявления и устранения этих искусственных связей — поиск шума, скрывающего правду без бюджета.

Особый интерес представляет вопрос о переносе полученных результатов на другие классы активов и рынки. Если модель работает только здесь и сейчас, она — всего лишь иллюзия. Необходимо проверить, способно ли это «заклинание» выжить в более суровых условиях, где данные менее «благосклонны». В конечном счете, истинный тест — это не статистическая значимость, а способность модели предсказывать будущее, когда никто не смотрит.

Впрочем, возможно, вся эта погоня за точностью — пустая трата времени. Возможно, истинная ценность представленной работы заключается в демонстрации того, что даже в самых шумных данных можно извлечь полезную информацию, если смотреть на неё под правильным углом. Но помните: среднее — это компромисс, а не истина. И каждая модель рано или поздно ломается в продакшене.

Оригинал статьи: https://arxiv.org/pdf/2604.22933.pdf

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

Смотрите также:

2026-04-28 19:38