Оптимизация и прогнозирование портфеля ценных бумаг на основе методов машинного обучения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Статья посвящена демонстрации и анализу возможностей соединения модели Марковица, представляющей собой классическую модель формирования портфеля ценных бумаг, и методов прогнозирования, построенных на машинном обучении данных. Актуальность выбранной темы обоснована тем, что использование методов машинного обучения дает возможность упростить деятельность работников финансовой сферы и работу профессиональных игроков фондового рынка, а также сократить сложность интерпретации математических моделей и методов их построения для частных инвесторов. Цель данной работы состоит в использовании методов машинного обучения для решения проблемы построения оптимального портфеля ценных бумаг и прогнозирования его поведения. Задачи:

– построить модель Марковица на основе выбранных данных;

– построить оптимальный портфель на основе предложенного критерия оптимальности;

– предложить прогноз временного ряда;

– оценить адекватность построенной модели;

– соединить модель Марковица, относящуюся к классу широко известных классических моделей, с построением прогноза на основе машинного обучения.

Методы и модели: в работе используются методы машинного обучения, строится модель Марковица на основе выбранных данных, затем модель Марковица соединяется с построением прогноза на основе машинного обучения.

Результаты исследования: построен оптимальный портфель для AXP и выполнен его прогноз. Формирование портфеля основывалось на модели Марковица. Полученные данные протестированы на адекватность и показали достаточно хорошие результаты. Был построен портфель, критерием оптимальности которого выступает соотношение средней доходности и волатильности доходности (максимизация средней доходности при минимизации ее волатильности). Модель Марковица, относящаяся к классу широко известных классических моделей, была соединена с построением прогноза на основе машинного обучения.

Об авторах

Мария Валерьевна Добрина

Финансовый университет при Правительстве Российской Федерации

Автор, ответственный за переписку.
Email: MVDobrina@fa.ru
SPIN-код: 2442-0193

кандидат экономических наук, старший преподаватель кафедры моделирования и системного анализа

Россия, г. Москва

Виктор Петрович Чернов

Санкт-Петербургский государственный экономический университет

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

доктор экономических наук, профессор кафедры прикладной математики и экономико-математических методов

Россия, г. Санкт-Петербург

Список литературы

  1. Давнис В.В., Добрина М.В. Алгоритмическое моделирование портфеля ценных бумаг. —Экономическое прогнозирование: модели и методы. —Воронеж. —2017. —c. 118–123.
  2. Добрина М.В. Функции полезности и их применение в моделировании портфельных решений. —Современная экономика: проблемы и решения. —2017. —№ 8 (92). —С. 64–73.
  3. Добрина М.В., Чернов В.П. Математические методы оптимизации инвестиционных портфелей. —Санкт-Петербург. —2024. —163 с.
  4. Добрина М.В., Шишацский А.В. Инструментальные методы прогнозирования на криптовалютном рынке. —Экономическое прогнозирование: модели и методы. —2018. —С. 131–136.
  5. Яновский Л.П., Владыкин С.Н. Выбор портфеля с учетом горизонта инвестирования. —Финансы и кредит. —№ 29. —2009. —с. 12–22.
  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Схема модели Марковица.

Скачать (10KB)
3. Рис. 2. Средняя доходность и волатильность доходности для 500 портфелей.

Скачать (12KB)
4. Рис. 3. Эффективная граница Марковица.

5. Рис. 4. Остатки для временного ряда AХР.

Скачать (27KB)
6. Рис. 5. Плотность для временного ряда AХР.

Скачать (52KB)
7. Рис. 6. Итоги обучения: тестовые и прогнозируемые значения.

Скачать (288KB)


Ссылка на описание лицензии: 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».