Inteligentny system optymalizacji portfela dla nowatorskiego prognozowania zmienności przy użyciu uczenia maszynowego

Dlaczego mądrzejsze inwestowanie ma znaczenie

Każdy, kto widział, jak jego oszczędności rosną i maleją razem z rynkiem akcji, wie, że duże straty potrafią być odczuwane gorzej niż skromne zyski — dobrze. Artykuł zajmuje się pytaniem istotnym zarówno dla przeciętnych inwestorów, jak i dużych instytucji: czy nowoczesna sztuczna inteligencja może kształtować portfele, które nie tylko rosną w czasie, ale też lepiej znoszą gwałtowne spadki rynkowe w wielu krajach?

Od klasycznej teorii do głodnych danych maszyn

Tradycyjna teoria portfela, sięgająca Harry’ego Markowitza z lat 50. XX wieku, uczy inwestorów równoważyć ryzyko i zwrot przez dywersyfikację aktywów. W ostatniej dekadzie bardziej złożone podejścia oparte na głębokim uczeniu i uczeniu ze wzmocnieniem obiecywały wyciskanie dodatkowych zysków z danych finansowych. Jednak te nowe metody bywają trudne do interpretacji, kosztowne w uruchomieniu i trudne do zaufania w różnych rynkach. Co ważne, większość koncentruje się na prognozowaniu zwrotów, podczas gdy profesjonalni zarządzający ryzykiem zwracają szczególną uwagę na obsunięcia kapitału — wielkość najgorszych strat od szczytu do dołka w danym okresie.

Skupiając się na bólu rynkowym, a nie tylko na zyskach

Autorzy przesuwają uwagę z krótkoterminowego prognozowania zwrotów na prognozowanie, jak duże mogą być straty. Badają 40 rynków akcji — od gospodarek rozwiniętych, takich jak Stany Zjednoczone i Niemcy, po rynki wschodzące, takie jak Brazylia i Republika Południowej Afryki — w 20-letnim okresie od 1999 do 2018 roku. Dla każdego kraju i roku obliczają szeroko stosowane miary wyników skorygowanej o ryzyko: współczynnik Sharpe’a (zwrot przypadający na jednostkę ryzyka ogólnego), współczynnik Sterlinga (zwrot w odniesieniu do średnich historycznych strat) oraz współczynnik Calmara, który bezpośrednio odnosi roczne zyski do najgorszego obsunięcia. Te wskaźniki są następnie grupowane w proste kategorie „wysoka”, „średnia” i „niska”, które wskazują, jak atrakcyjny lub delikatny wydaje się rynek z perspektywy relacji ryzyko–zysk.

Jak działa inteligentny system

W praktyce proponowany system to staranna praca z danymi połączona ze strukturalnym modelem uczenia maszynowego o nazwie klasyfikator multi–Support Vector Machine (multi-SVM). Najpierw zespół czyści i przekształca dwie dekady danych giełdowych z Bloomberga: usuwa błędne wpisy, wypełnia krótkie luki i normalizuje skale, aby mały i duży rynek można było porównywać uczciwie. Następnie konstruują cechy podsumowujące zachowanie każdego rynku, w tym najwyższe, najniższe i średnie wartości akcji, zmienność, roczne zwroty i trzyletnie ruchome obsunięcia. Te cechy stają się wejściami do kilku podmodeli SVM, z których każdy specjalizuje się w jednym z kluczowych wskaźników, wszystkie używają nieliniowego jądra, by uchwycić złożone związki między ryzykiem a zwrotem. Etap fuzji łączy poziomy pewności podmodeli w jedną ocenę, czy dany kraj-rok należy do kategorii wysokiej, średniej czy niskiej jakości pod względem skorygowanym o ryzyko.

Przekładanie prognoz na wybory portfelowe

Aby sprawdzić, czy ta inteligencja rzeczywiście pomaga inwestorom, autorzy przeprowadzają długą historyczną symulację „co by było gdyby”. Każdego roku wyobrażają sobie budowę globalnego portfela, który przyznaje większą wagę rynkom oznaczonym przez system jako wysokiej jakości, neutralną wagę rynkom średnim i zmniejszoną wagę rynkom niskiej jakości. Porównują wyniki z trzema dobrze znanymi punktami odniesienia: prostym modelem rynkowym (CAPM), globalnym portfelem o równych wagach oraz popularnym modelem trzech czynników Fama–Frencha. W okresie 1999–2018 portfel prowadzony przez multi-SVM osiąga najwyższy skumulowany zwrot, najmniejszą najgorszą stratę i najsilniejszy współczynnik Sharpe’a. Sam klasyfikator poprawnie przypisuje rynki do kategorii ryzyko–zysk w około 97,5% przypadków, co stanowi wyraźną poprawę w stosunku do pojedynczego SVM i prostego modelu Naive Bayes.

Co to oznacza dla inwestorów i na przyszłość

Dla osoby niebędącej specjalistą kluczowy wniosek jest taki, że autorzy nie tworzą nowego czarnego pudełka handlowego; zamiast tego ostrożnie łączą sprawdzone narzędzia, by skupić się na tym, czego inwestorzy najbardziej się boją — dużych, długotrwałych stratach. Koncentrując model na miarach związanych z obsunięciami i utrzymując relatywną przejrzystość struktury, dostarczają praktycznego sposobu sterowania wagami portfela globalnego, który łatwiej wyjaśnić niż wiele systemów głębokiego uczenia, a jednocześnie pozostaje konkurencyjny pod względem wyników. Badanie sugeruje, że inteligentna klasyfikacja rynków według ich zdrowia skorygowanego o ryzyko, zamiast ślepego gonienia za surowymi zwrotami, może prowadzić do portfeli, które rosną bardziej stabilnie i doświadczają łagodniejszych wstrząsów, oferując spokojniejszą podróż przez burzliwe rynki.

Cytowanie: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Słowa kluczowe: optymalizacja portfela, zmienność finansowa, uczenie maszynowe w finansach, zarządzanie ryzykiem, globalne rynki akcji