Прогнозы финансов с учетом рисков: новый подход

от

Автор: Денис Аветисян

В статье представлен инновационный метод прогнозирования финансовых рынков, сочетающий машинное обучение и нечеткую логику для повышения точности и надежности.

"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

Интеграция моделей машинного обучения с интуиционистскими нечеткими множествами и многокритериальным принятием решений для улучшения финансовых прогнозов, особенно на развивающихся рынках, таких как Турция.

Несмотря на растущую сложность финансовых рынков и неопределенность, традиционные методы прогнозирования часто оказываются недостаточно эффективными. В данной работе, озаглавленной ‘Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making’, предложена инновационная система, объединяющая передовые алгоритмы машинного обучения с методами нечеткой многокритериальной оптимизации. Полученные результаты демонстрируют повышение точности и надежности прогнозов для индекса BIST 100 и конкретной турецкой компании, а также благоприятное соотношение риска и доходности. Какие перспективы открывает интеграция подобных подходов для развития финансовых рынков, особенно в условиях развивающихся экономик?

За пределами точечных прогнозов: целостная оценка рисков

Традиционное финансовое прогнозирование зачастую опирается на точечные оценки, игнорируя критическую необходимость в количественной оценке и учете неопределенности. Данный подход, фокусирующийся исключительно на наиболее вероятном сценарии, может ввести в заблуждение, поскольку не учитывает диапазон возможных исходов и их вероятности. В реальности, финансовые рынки подвержены множеству факторов, включая неожиданные политические события, изменения в потребительском поведении и технологические прорывы, которые могут значительно отклонить фактические результаты от прогнозируемых. Пренебрежение неопределенностью приводит к недооценке рисков и, как следствие, к неоптимальным инвестиционным решениям и повышенной уязвимости к кризисным ситуациям. Современные методы прогнозирования, такие как моделирование Монте-Карло и анализ чувствительности, позволяют не только определить наиболее вероятный исход, но и оценить вероятность наступления различных сценариев, предоставляя более полную и реалистичную картину будущего.

Опора исключительно на исторические данные и базовые статистические модели создает значительную уязвимость для организаций в условиях меняющегося рынка и системных рисков. Традиционные методы прогнозирования зачастую не учитывают нелинейность и сложность современных финансовых систем, а также возможность возникновения “черных лебедей” — непредсказуемых событий, оказывающих колоссальное влияние. Анализ прошлых тенденций не гарантирует защиту от новых, ранее не встречавшихся факторов, таких как технологические прорывы, геополитические кризисы или изменения в потребительском поведении. В результате, организации, полагающиеся только на экстраполяцию прошлого опыта, могут столкнуться с неожиданными потерями и оказаться неспособными адаптироваться к новым условиям, что подчеркивает необходимость перехода к более комплексным и адаптивным методам оценки рисков.

Надежная прогностическая модель не должна ограничиваться лишь точностью предсказаний, но и включать в себя всестороннюю оценку потенциальных рисков и уязвимостей. Анализ фокусируется не только на наиболее вероятном сценарии, но и на определении наихудших возможных исходов и вероятности их наступления. Оценка «хвостовых» рисков, то есть редких, но катастрофических событий, имеет решающее значение для обеспечения финансовой устойчивости и защиты от неожиданных потрясений. Комплексный подход к прогнозированию позволяет организациям не просто предвидеть будущее, но и подготовиться к нему, разрабатывая стратегии смягчения рисков и повышения устойчивости к неблагоприятным обстоятельствам. Такой анализ включает в себя не только количественную оценку, но и качественные факторы, такие как геополитические риски, изменения в регулировании и технологические прорывы, формирующие общую картину потенциальных угроз и возможностей.

Интегрированная система: моделирование сложности и неопределенности

Наша система прогнозирования, ориентированная на оценку рисков, объединяет передовые методологии, включая Байесовские нейронные сети (BNN) и графовые нейронные сети (GNN), для моделирования сложных взаимосвязей и количественной оценки неопределенности прогнозов. BNN позволяют оценивать распределение вероятностей прогнозов, отражая уровень уверенности в предсказаниях, в то время как GNN эффективно обрабатывают данные, представленные в виде графов, что особенно важно для анализа взаимосвязей между различными факторами и активами. Использование этих методов позволяет не только предсказывать значения, но и оценивать риски, связанные с этими предсказаниями, предоставляя более полную картину будущих событий и помогая в принятии обоснованных решений.

В рамках разработанной системы прогнозирования, для расширения возможностей анализа за пределы исключительно количественных данных, используются макроэкономические показатели и анализ тональности финансовых текстов. Анализ тональности осуществляется посредством модели FinancialBERT, что позволяет учитывать влияние новостного фона и настроений инвесторов на прогнозируемые значения. Интеграция макроэкономических данных, таких как показатели ВВП, инфляции и процентных ставок, в сочетании с анализом тональности, позволяет более адекватно отражать реальные рыночные условия и повышать точность прогнозов, учитывая не только статистические закономерности, но и поведенческие факторы.

Для обеспечения надежных прогнозов, в рамках системы используются алгоритмы XGBoost, LSTM и Transformer. XGBoost применяется для задач градиентного бустинга, обеспечивая высокую точность и эффективность. LSTM (Long Short-Term Memory) — это рекуррентная нейронная сеть, эффективно обрабатывающая временные ряды и учитывающая долгосрочные зависимости в данных. Transformer, основанный на механизмах внимания, позволяет моделировать сложные взаимосвязи между различными факторами. Оценка неопределенности прогнозов осуществляется с помощью Байесовских Нейронных Сетей (BNN), предоставляющих вероятностное распределение предсказаний, что позволяет оценить уровень риска и надежности прогноза.

Оптимальный выбор модели: многокритериальный подход к принятию решений

Выбор оптимальной модели прогнозирования требует надежного и прозрачного процесса, выходящего за рамки оценки по единственному критерию, такому как средняя абсолютная процентная ошибка по чистой прибыли (Net Profit MAPE). Опора исключительно на один показатель может привести к упущению важных аспектов, таких как уровень риска, интерпретируемость модели и ее устойчивость к различным сценариям. Комплексный подход, учитывающий множество критериев, позволяет более полно оценить пригодность модели для конкретной задачи и избежать субъективных оценок, основанных на неполной информации. Использование нескольких метрик позволяет выявить модели, которые, хотя и не обеспечивают наилучшего результата по одному конкретному показателю, демонстрируют сбалансированные характеристики и более высокую общую эффективность.

Для оценки моделей прогнозирования по множеству критериев используется подход многокритериального принятия решений (MCDM) на основе нечеткой логики (Intuitionistic Fuzzy MCDM). В рамках данного подхода применяются методы взвешивания на основе энтропии (Entropy Weighting) для определения значимости каждого критерия, EDAS (Elimination and Distance from Average Solution) для ранжирования моделей по совокупности критериев, и MARCOS (Measurement of Alternatives and Ranking Order Synthesis) для агрегации оценок и формирования окончательного рейтинга. Комбинация этих методов позволяет провести объективную оценку моделей, учитывая не только точность прогноза, но и другие важные характеристики, такие как устойчивость к риску и интерпретируемость результатов. Каждый метод вносит вклад в процесс принятия решения, обеспечивая более полное и обоснованное сравнение альтернативных моделей.

Применение многокритериального подхода позволяет выявить модели, оптимизирующие не только точность прогноза, но и ключевые характеристики управления рисками и интерпретируемость. Традиционные метрики, такие как средняя абсолютная процентная ошибка (MAPE), оценивают лишь один аспект производительности. Включение критериев, связанных с оценкой рисков, например, стандартное отклонение ошибки прогноза, и характеристик интерпретируемости, определяемых сложностью модели и возможностью анализа влияния факторов, обеспечивает более полное и обоснованное принятие решений при выборе оптимальной модели прогнозирования. Это особенно важно в ситуациях, когда необходимо не только получить наилучший прогноз, но и понимать причины и последствия возможных ошибок, а также обеспечить прозрачность и понятность результатов для заинтересованных сторон.

Практическое применение и результаты: анализ реальных задач

Применение разработанного подхода к прогнозированию рисков к данным индекса BIST 100 и финансовой отчётности ведущей оборонной компании продемонстрировало заметное повышение точности прогнозов и качества оценки рисков. Анализ показал, что предложенная методика позволяет более эффективно учитывать факторы неопределенности, что особенно важно при принятии инвестиционных решений в условиях волатильности рынка. Улучшенная точность прогнозирования, в сочетании с более детальной оценкой потенциальных рисков, предоставляет возможность для разработки более обоснованных стратегий управления капиталом и снижения вероятности убытков. Полученные результаты подтверждают практическую значимость предложенного подхода и его потенциал для широкого применения в финансовом анализе и управлении рисками.

В ходе исследования, применив модель TabNet для прогнозирования чистой прибыли, удалось достичь средней абсолютной процентной ошибки (MAPE) в размере 3.03%. Этот результат значительно превосходит показатели традиционной модели ARIMA, что свидетельствует о повышенной точности предсказаний, обеспечиваемой предложенным методом. Низкий показатель MAPE указывает на то, что модель способна с высокой степенью достоверности оценивать будущую прибыль, что критически важно для принятия обоснованных финансовых решений и эффективного управления рисками. Полученные данные подтверждают перспективность применения TabNet в задачах финансового прогнозирования, особенно в условиях высокой волатильности рынка.

Анализ предложенной системы прогнозирования выявил благоприятное соотношение риска и доходности, что подтверждается значениями коэффициентов Шарпа и Сортино. Коэффициент Шарпа, достигший значения 1.25, указывает на то, что на каждый принятый единичный риск, система генерирует доходность в 1.25 единицы. При этом, коэффициент Сортино, равный 1.80, свидетельствует о низкой подверженности инвестиций к негативным колебаниям, то есть система эффективно минимизирует потери в периоды рыночной нестабильности. Такие показатели демонстрируют потенциал системы для формирования устойчивой инвестиционной стратегии, ориентированной на максимизацию прибыли при умеренном уровне риска и высокой защите от неблагоприятных сценариев.

Представленное исследование демонстрирует, что эффективное прогнозирование финансовых рисков требует целостного подхода, учитывающего не только количественные данные, но и качественные факторы, выраженные в виде нечетких суждений. Это созвучно идее о том, что система функционирует как живой организм, где каждая часть взаимосвязана. Как отмечает Альбер Камю: «Нельзя понять мир, если не понять, что он полон противоречий». Подобно этому, финансовые рынки характеризуются неопределенностью и сложностью, и успешное прогнозирование требует принятия этих противоречий и их интеграции в модель принятия решений, особенно при анализе развивающихся рынков, таких как Турция, где традиционные методы могут оказаться недостаточно эффективными.

Куда Дальше?

Представленная работа, стремясь к гармоничному сочетанию формальной строгости машинного обучения и гибкости нечёткой логики, неизбежно обнажает границы применимости обеих парадигм. Успешное прогнозирование, как показывает опыт, не сводится к исключительному наращиванию вычислительной мощности. Масштабируется не серверная мощь, а ясные идеи. Основная сложность, остающаяся нерешенной, заключается в адекватном представлении качественных, субъективных факторов риска в формальном аппарате, особенно применительно к динамичным рынкам, таким как турецкий. Эффективность предложенной модели, несомненно, зависит от качества исходных данных и умения исследователя правильно интерпретировать результаты.

Будущие исследования должны быть направлены на разработку более устойчивых к неопределенности методов агрегации экспертных оценок и интеграцию альтернативных моделей нечёткой логики, учитывающих контекстуальные зависимости и временные ряды. Необходимо также углубленное изучение влияния различных типов машинного обучения — от глубоких нейронных сетей до ансамблевых методов — на общую точность и робастность прогнозов. Представленная работа, по сути, является частью сложной экосистемы, где каждый элемент влияет на целостность системы.

Поиск оптимального баланса между сложностью модели и её интерпретируемостью остаётся ключевой задачей. Стремление к совершенству в прогнозировании, возможно, иллюзорно, но сам процесс поиска и анализа, несомненно, способствует более глубокому пониманию динамики финансовых рынков и позволяет принимать более обоснованные решения.

Оригинал статьи: https://arxiv.org/pdf/2512.17936.pdf

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

Смотрите также:

2025-12-23 06:53