Уменьшение рисков: измерять или действовать?

от

Автор: Денис Аветисян

Новый подход к управлению рисками фокусируется на выявлении снижения разнообразия инвестиционных возможностей и соответствующем сокращении экспозиции.

"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
Внутри единичного куба равномерно распределенные точки классифицируются по уровню риска, определяемому расстоянием до ближайшей вершины, что позволяет выявить степень потенциальной опасности каждой точки.
Внутри единичного куба равномерно распределенные точки классифицируются по уровню риска, определяемому расстоянием до ближайшей вершины, что позволяет выявить степень потенциальной опасности каждой точки.

В статье предлагается метод обнаружения ухудшения обусловленности матрицы доходностей и его использование для повышения эффективности управления рисками по сравнению с традиционными методами оптимизации.

Несмотря на повсеместное использование количественных метрик, вопрос об их необходимости для эффективного снижения рисков остается открытым. В статье ‘Measuring the risk or reducing it, that is the question: is risk measurement necessary for risk reduction?’ предложена альтернативная стратегия, основанная на выявлении снижения эффективной размерности инвестиционных возможностей, проявляющегося в дефиците ранга матрицы доходностей, и соответствующем уменьшении подверженности высокорисковым сценариям. Данный подход демонстрирует превосходство над традиционными методами оптимизации, основанными на минимизации стандартных мер риска, в части снижения волатильности вневыборочных доходностей. Способна ли эта концепция предложить более устойчивую и экономически эффективную основу для управления инвестиционными портфелями в условиях растущей рыночной неопределенности?

Ограничения Традиционной Оптимизации Портфеля

Теория Марковица, являясь краеугольным камнем современной оптимизации портфеля, опирается на оценки математического ожидания и дисперсии активов. Однако, эти оценки подвержены неизбежным погрешностям, обусловленным волатильностью рынков и ограниченностью исторических данных. Даже незначительные отклонения в прогнозах среднего значения доходности или уровня риска могут существенно повлиять на состав формируемого портфеля, приводя к результатам, далеким от оптимальных. Использование неточных оценок, особенно в условиях нелинейной зависимости между риском и доходностью, способно привести к формированию портфеля, не соответствующего инвестиционным целям и терпимости к риску, что подчеркивает необходимость разработки более устойчивых к ошибкам методов оптимизации.

Явление “максимизации ошибок” демонстрирует, что даже незначительные погрешности в оценке математического ожидания и дисперсии активов могут привести к существенной дестабилизации инвестиционного портфеля. Этот эффект объясняется тем, что алгоритмы оптимизации, стремясь к максимальной доходности на основе неточных данных, склонны усиливать влияние небольших ошибок, особенно в условиях высокой корреляции между активами. \sigma^2 = \sum_{i=1}^{n} \sum_{j=1}^{n} w_i w_j \sigma_{ij} Данная формула показывает, как дисперсия портфеля чувствительна к ошибкам в оценке ковариаций \sigma_{ij} . В результате, портфель, оптимизированный на основе неточных оценок, может оказаться гораздо более рискованным, чем предполагалось, и подверженным значительным потерям даже при небольших колебаниях рынка. Данный эффект подчеркивает необходимость разработки более устойчивых методов оптимизации, учитывающих неопределенность и потенциальные ошибки в исходных данных.

Традиционные методы оптимизации портфеля зачастую не учитывают в полной мере сложность реальных рыночных процессов и присущую финансовым данным неопределенность. В то время как математические модели стремятся к упрощению для достижения аналитической ясности, фактические рынки характеризуются нелинейностью, взаимосвязанностью активов и постоянно меняющимися условиями. Игнорирование таких факторов, как влияние новостей, поведение инвесторов и внешние экономические шоки, может привести к созданию портфелей, которые кажутся оптимальными на бумаге, но оказываются уязвимыми в условиях реальной рыночной конъюнктуры. Более того, неточность и неполнота исторических данных, используемых для калибровки моделей, вносит дополнительный уровень неопределенности, ограничивая эффективность стандартных подходов к управлению инвестициями. В результате, возникает необходимость в разработке более гибких и адаптивных стратегий, способных учитывать динамику рынка и неопределенность, характерные для современной финансовой среды.

Динамика расстояний до вершин, определяющих стратегию RR, демонстрирует различия в поведении портфелей [latex]1/N[/latex], RR и случайного, а также портфелей Min-var, Min-VaR и Min-CVaR во времени.
Динамика расстояний до вершин, определяющих стратегию RR, демонстрирует различия в поведении портфелей 1/N, RR и случайного, а также портфелей Min-var, Min-VaR и Min-CVaR во времени.

За Пределами Среднего и Дисперсии: Когерентные Меры Риска и Диверсификация

В отличие от традиционных методов оценки риска, основанных на дисперсии, когерентные меры риска, сформулированные Artzner и соавторами, предлагают более строгий теоретический базис. Эти меры, включающие в себя Value-at-Risk (VaR) и Expected Shortfall (ES), удовлетворяют четырем ключевым аксиомам: суб-аддитивность, однородность, положительная гомогенность и трансляционная инвариантность. Суб-аддитивность, в частности, критически важна, поскольку отражает принцип, что риск диверсифицированного портфеля не должен превышать сумму рисков отдельных активов, что является недостатком дисперсии в определенных ситуациях. Применение когерентных мер риска позволяет более адекватно оценивать и управлять портфельным риском, особенно в условиях ненормального распределения доходностей и наличия «хвостовых» рисков.

Эффективная диверсификация портфеля не сводится к простому увеличению количества активов. Ключевая цель — максимизация охвата независимых факторов риска, что количественно оценивается посредством коэффициента диверсификации (Diversification Ratio). Этот коэффициент измеряет соотношение количества независимых рисков, представленных в портфеле, к общему количеству активов. Высокий коэффициент указывает на то, что портфель эффективно диверсифицирован и подвержен воздействию широкого спектра независимых рисков, в то время как низкий коэффициент может свидетельствовать о наличии избыточных или коррелирующих позиций, снижающих реальную степень диверсификации. Diversification Ratio = \frac{количество\,независимых\,факторов\,риска}{общее\,количество\,активов}.

Стратегии “Максимальной диверсификации” направлены на достижение истинной диверсификации портфеля, в отличие от ложных корреляций, возникающих при увеличении числа активов без учета независимых факторов риска. Эти стратегии используют методы, позволяющие идентифицировать и взвешивать активы таким образом, чтобы максимизировать подверженность портфеля широкому спектру независимых рисков. Это достигается путем анализа ковариационной матрицы активов и выбора комбинации, минимизирующей влияние коррелированных рисков, и обеспечивающей более стабильную доходность при различных сценариях. Использование таких подходов позволяет инвесторам создавать портфели, которые действительно снижают общий риск, а не просто маскируют его за счет добавления избыточных позиций.

Диаграмма размаха показывает сравнительный анализ доходности инвестиционных стратегий вне выборки.
Диаграмма размаха показывает сравнительный анализ доходности инвестиционных стратегий вне выборки.

Раскрытие Структуры Портфеля с Помощью Сингулярного Разложения

Сингулярное разложение (SVD) представляет собой мощный инструмент для анализа размерности и структуры матриц доходностей активов. В основе SVD лежит разложение исходной матрицы на три другие матрицы: матрицу левых сингулярных векторов, диагональную матрицу сингулярных значений и матрицу правых сингулярных векторов. Сингулярные значения, упорядоченные по убыванию, отражают важность соответствующих сингулярных векторов и позволяют оценить вклад каждого фактора в общую дисперсию доходностей. Анализ этих значений позволяет определить эффективное число факторов, определяющих поведение портфеля, и выявить корреляции между активами, что критически важно для построения и управления инвестиционным портфелем. A = UΣV^T, где A — исходная матрица, U и V — матрицы сингулярных векторов, а Σ — диагональная матрица сингулярных значений.

Нормализованный спектр, полученный на основе сингулярного разложения (SVD), позволяет выявить доминирующие факторы риска в матрице доходностей активов. Этот спектр представляет собой распределение сингулярных чисел, нормированных к максимальному значению. Анализ этого распределения позволяет оценить степень «дефицита ранга» (Rank Deficiency) — явления, характеризующего близость матрицы к сингулярности и, следовательно, её нестабильность. Высокая концентрация сингулярных чисел в начале спектра указывает на то, что небольшое количество факторов объясняет большую часть дисперсии доходностей. Низкий ранг матрицы свидетельствует о сильной корреляции между активами и повышенной чувствительности портфеля к изменениям этих факторов, что увеличивает риск возникновения значительных потерь.

Анализ матриц доходностей с использованием сингулярного разложения (SVD) позволяет разрабатывать стратегии, направленные на снижение рисков, связанных с низким рангом или плохо обусловленностью матрицы. Обнаружение низкой ранговой структуры указывает на то, что доходности активов в значительной степени определяются небольшим количеством общих факторов, что может приводить к концентрации риска. Стратегии могут включать снижение веса активов, сильно коррелированных с этими факторами, или использование техник диверсификации, направленных на уменьшение влияния доминирующих факторов на общую доходность портфеля. Для плохо обусловленных матриц, характеризующихся высокой чувствительностью к небольшим изменениям входных данных, применяются методы регуляризации и стабилизации, например, обрезка сингулярных чисел или использование штрафных функций, для повышения устойчивости портфеля к ошибкам оценки и рыночным колебаниям.

Стратегия RR: Ранговый Подход к Снижению Риска

Стратегия RR использует возможности сингулярного разложения (SVD) и концепцию сингулярной недостаточности для построения более стабильных портфелей. SVD позволяет декомпозировать матрицу ковариаций активов, выявляя доминирующие сингулярные значения, которые определяют основную структуру риска. Использование ранговой недостаточности, возникающей при близких к нулю сингулярных значениях, позволяет снизить чувствительность портфеля к небольшим изменениям входных данных, тем самым повышая его устойчивость к рыночным колебаниям. Фактически, стратегия RR стремится сконструировать портфели, менее подверженные влиянию шумовых факторов и более ориентированные на фундаментальные, долгосрочные тенденции, что приводит к снижению общей волатильности и повышению стабильности доходности.

Стратегия RR снижает риск портфеля посредством использования метрики «Число обусловленности» и фокусировки на доминирующих сингулярных значениях, полученных в результате сингулярного разложения (SVD). Анализ данных по базам S&P500, Nikkei и FTSE показал значительное снижение показателей Maximum Drawdown и Conditional Value-at-Risk при применении данной стратегии. Снижение этих показателей подтверждает эффективность подхода в управлении рисками, поскольку они отражают максимальные потенциальные потери и ожидаемые потери в худшем сценарии, соответственно.

Применение RR-стратегии демонстрирует улучшение показателей доходности, измеряемых коэффициентом Шарпа (Sharpe Ratio), при одновременном снижении риска портфеля. Анализ данных по индексам S&P500, Nikkei и FTSE показал, что данная стратегия позволяет поддерживать или даже повышать коэффициент Шарпа, несмотря на значительное уменьшение максимальной просадки (Maximum Drawdown) и условной ценности под риском (Conditional Value-at-Risk). Это свидетельствует о практической эффективности подхода по сравнению с традиционными методами управления рисками и формирования портфеля, обеспечивая более благоприятное соотношение риск/доходность для инвесторов.

Исследование предлагает смелый взгляд на управление рисками, отходя от традиционных методов оптимизации. Вместо измерения риска как такового, акцент смещается на выявление снижения эффективной размерности инвестиционных возможностей — признака надвигающейся нестабильности. Это напоминает слова Джона Стюарта Милля: «Недостаток воображения — это самое большое препятствие для прогресса». Подобно тому, как Милль призывал к расширению горизонтов мышления, данная работа призывает к переосмыслению подхода к снижению рисков, фокусируясь на раннем обнаружении и устранении источников потенциальной хрупкости портфеля. По сути, предлагается не просто измерять риск, а активно формировать более устойчивую инвестиционную среду.

Куда смотрит горизонт?

Предложенный подход, фокусирующийся на выявлении снижения эффективной размерности инвестиционных возможностей, представляется не столько революцией в управлении рисками, сколько признанием его фундаментальной сложности. Попытки точного измерения риска, как показывает опыт, часто приводят к иллюзии контроля, заменяя реальное понимание системы её упрощённой, зачастую искажённой моделью. Более продуктивным представляется не измерение риска как такового, а обнаружение признаков его возникновения — увядания разнообразия, потери степеней свободы в пространстве возможных стратегий.

Очевидным ограничением является зависимость от качества и объёма данных. Выявление «недостаточности ранга» требует достаточно широкого охвата инвестиционных возможностей. В условиях неполной информации или предвзятых выборок, алгоритм может сигнализировать о рисках там, где их нет, или, что опаснее, упустить реальные угрозы. Следующим шагом видится разработка методов адаптации к меняющейся структуре данных, позволяющих отличать истинное снижение разнообразия от статистического шума.

В конечном счёте, вопрос не в том, чтобы найти идеальный способ измерения риска, а в том, чтобы создать систему, способную вовремя распознать признаки её утраты. Красота — в компрессии без потерь, и архитектура эффективного управления рисками заключается в том, чтобы убрать всё лишнее, оставив лишь самое необходимое — способность адаптироваться к неизбежной неопределённости.

Оригинал статьи: https://arxiv.org/pdf/2604.28124.pdf

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

Смотрите также:

2026-05-02 00:21