Интеллектуальная система оптимизации портфеля для нового прогнозирования волатильности с применением машинного обучения

Почему важно инвестировать умнее

Те, кто видел, как их накопления растут и падают вместе с фондовым рынком, знают: крупные потери ощущаются гораздо сильнее, чем небольшие прибыли приносят удовольствия. В этой статье рассматривается вопрос, важный как для частных инвесторов, так и для крупных институтов: можно ли с помощью современных методов искусственного интеллекта формировать портфели, которые не только растут со временем, но и лучше выдерживают резкие рыночные падения в разных странах?

От классической теории к требовательным к данным моделям

Традиционная теория портфеля, восходящая к Гарри Марковицу 1950-х годов, учит инвесторов балансировать риск и доходность, распределяя средства по разным активам. За последнее десятилетие более сложные подходы на базе глубокого обучения и обучения с подкреплением обещают извлечь дополнительные выгоды из финансовых данных. Однако эти новые методы часто трудноинтерпретируемы, дорогие в эксплуатации и ненадёжны при применении к различным рынкам. Главное — большинство из них сосредоточено на прогнозировании доходности, тогда как профессиональные менеджеры по рискам особенно заботит глубина просадок — величина наихудших падений от пика до дна.

Изучение рыночной боли вместо одних только прибылей

Авторы смещают акцент с прогнозирования краткосрочной доходности на прогнозирование того, насколько серьёзными могут быть потери. Они изучают 40 фондовых рынков — от развитых экономик, таких как США и Германия, до азиатских и латиноамериканских рынков — в течение 20 лет с 1999 по 2018 год. Для каждой страны и года они рассчитывают широко используемые показатели эффективности с учётом риска: коэффициент Шарпа (доходность на единицу общего риска), коэффициент Стерлинга (доходность относительно средней прошлой потери) и коэффициент Калмара, который напрямую соотносит годовую прибыль с наихудшей просадкой. Эти показатели затем группируются в простые категории «высокая», «средняя» и «низкая», указывающие на то, насколько привлекателен или уязвим рынок с точки зрения соотношения риск/вознаграждение.

Как работает интеллектуальная система

Под капотом предлагаемая система — это аккуратная подготовка данных и структурированная модель машинного обучения, называемая классификатором multi–Support Vector Machine (multi‑SVM). Сначала команда очищает и перестраивает двухдесятилетние данные по акциям из Bloomberg: удаляет ошибочные записи, заполняет краткие пробелы и нормирует масштабы, чтобы можно было честно сравнивать малые и крупные рынки. Затем они формируют признаки, суммирующие поведение каждого рынка — максимальные, минимальные и средние значения акций, волатильность, годовые доходности и скользящие трёхлетние просадки. Эти признаки становятся входами для нескольких SVM‑подмоделей, каждая из которых специализируется на одном из ключевых коэффициентов, причём все используют нелинейное ядро для улавливания сложных связей между риском и вознаграждением. На этапе объединения (fusion) уровни уверенности подмоделей консолидируются в единое суждение о том, к какой категории — высокой, средней или низкой — относится данная пара «страна‑год».

Преобразование прогнозов в портфельные решения

Чтобы проверить, помогает ли эта система инвесторам на практике, авторы проводят длительный исторический эксперимент «что если». Каждый год они моделируют формирование глобального портфеля, который даёт повышенный вес рынкам, помеченным системой как высокого качества, нейтральный вес — для средних рынков и пониженный вес — для рынков низкого качества. Результаты сравниваются с тремя известными эталонами: простая рыночная модель (CAPM), равновзвешенный глобальный портфель и популярная трёхфакторная модель Фама‑Френча. За период 1999–2018 годов портфель, управляемый multi‑SVM, демонстрировал наибольшую кумулятивную доходность, наименьшую наихудшую потерю и лучший коэффициент Шарпа. Сам классификатор правильно относил рынки к соответствующим категориям риск/вознаграждение примерно в 97,5% случаев — это явное улучшение по сравнению с одиночным SVM и базовой моделью Наивного Байеса.

Что это означает для инвесторов и будущего

Для неспециалиста основной вывод в том, что авторы не создают новый «чёрный ящик» для торговли; вместо этого они аккуратно комбинируют проверенные инструменты и фокусируются на том, чего инвесторы боятся больше всего — больших, затяжных потерь. Сосредоточив модель на показателях, связанных с просадками, и сохранив относительно прозрачную структуру, они предлагают практический способ формирования глобальных портфельных весов, который легче объяснить, чем многие системы глубокого обучения, но при этом конкурентоспособен по результатам. Исследование показывает: интеллектуальная классификация рынков по их состоянию с учётом риска, а не погоня за сырыми доходностями, может привести к портфелям, которые растут более устойчиво и испытывают менее сильные шоки, обеспечивая более комфортное прохождение через турбулентные рынки.

Цитирование: 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

Ключевые слова: оптимизация портфеля, финансовая волатильность, машинное обучение в финансах, управление рисками, мировые фондовые рынки