Optimization and Forecasting of a Securities Portfolio Based on Machine Learning Methods

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article is devoted to the demonstration and analysis of the possibilities of connecting the Markowitz model, which is a classical model for forming a portfolio of securities, and forecasting methods based on machine learning data. The relevance of the chosen topic is justified by the fact that the use of machine learning methods makes it possible to simplify the activities of financial sector workers and the work of professional stock market players, as well as reduce the complexity of interpreting mathematical models and methods of their construction for private investors. The purpose of this work is to use machine learning methods to solve the problem of building an optimal securities portfolio and predicting its behavior. Tasks:

– build a Markowitz model based on the selected data;

– to build an optimal portfolio based on the proposed optimality criterion;

– offer a time series forecast;

– to assess the adequacy of the constructed model;

– combine the Markowitz model, which belongs to the class of widely known classical models, with the construction of a prediction based on machine learning.

Methods and models: machine learning methods are used in the work, the Markowitz model is built based on the selected data, then the Markowitz model is combined with the construction of a forecast based on machine learning.

Research results: the optimal portfolio for AXP has been built and its forecast has been fulfilled. The formation of the portfolio was based on the Markowitz model. The data obtained were tested for adequacy and showed fairly good results. A portfolio was built, the optimality criterion of which is the ratio of average profitability and volatility of profitability (maximizing average profitability while minimizing its volatility). The Markowitz model, which belongs to the class of widely known classical models, was combined with the construction of a prediction based on machine learning.

About the authors

Maria V. Dobrina

Financial University under the Government of the Russian Federation

Author for correspondence.
Email: MVDobrina@fa.ru
SPIN-code: 2442-0193

Cand. Sci. (Econ.), Senior Lecturer at the Modeling and System Analysis Department

Russian Federation, Moscow

Victor P. Chernov

Saint-Petersburg State University of Economics

Email: viktor_chernov@mail.ru
SPIN-code: 7759-2655

Dr. Sci. (Econ.), Professor at the Applied Mathematics and Economic and Mathematical Methods Department

Russian Federation, Saint Petersburg

References

  1. Davnis V.V., Dobrina M.V. Algorithmic modeling of a securities portfolio. —Economic forecasting: models and methods. —Voronezh. —2017. —pp. 118–123. (In Russian).
  2. Dobrina M.V. Utility functions and their application in modeling portfolio solutions. —Modern economy: problems and solutions. —2017. —№ 8 (92). —pp. 64–73. (In Russian).
  3. Dobrina M.V., Chernov V.P. Mathematical methods for optimizing investment portfolios. —Saint-Petersburg. —2024. —163 p. (In Russian).
  4. Dobrina M.V., Shishatsky A.V. Instrumental forecasting methods in the cryptocurrency market. — Economic forecasting: models and methods. —2018. —pp. 131–136. (In Russian).
  5. Yanovsky L.P., Vladykin S.N. Portfolio selection taking into account the investment horizon. — Finance and credit. —No. 29. —2009. —pp. 12–22. (In Russian).
  6. Bera A. K., Ivliev S., Lillo F. Financial econometrics and empirical market microstructure. —Switzerland. —Springer international Publ. —2015. —284 p.
  7. Cowles A. Can Stock Market Forecasters Forecast? —Econometrica. —1933. —Vol. 1. —№3. —pp. 309–324.
  8. Davis P.K., Dreyer P. RAND’s Portfolio Analysis Tool (PAT). —Theory, Methods and Reference Manual. —National defense research institute. —Copyright 2009 RAND Corporation.
  9. Markowitz H.M. Portfolio Selection. —Financial Journal. —7 (1). —1952. —pp. 77–91.
  10. Markowitz H.M. Portfolio selection: effective diversification of investments. —New York: John Wiley & Sons. —1959. —351 p.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig.1. Scheme of the Markowitz model.

Download (10KB)
3. Fig. 2. Average return and return volatility for 500 portfolios.

Download (12KB)
4. Fig. 3. Markowitz efficient frontier.

Download (6KB)
5. Fig. 4. Residuals for the time series AChR.

Download (27KB)
6. Fig. 5. Density for the time series AChR.

Download (52KB)
7. Fig. 6. Results of training: test and predicted values.

Download (288KB)


License URL: https://www.urvak.ru/contacts/

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».