ПРИМЕНЕНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОПТИМИЗАЦИИ ПОРТФЕЛЯ ЦЕННЫХ БУМАГ
DOI:
https://doi.org/10.25806/uu-5093Статья поступила в редакцию: 14.03.2025
Статья принята к публикации: 17.03.2025
Статья опубликована: 04.04.2025
Ключевые слова:
машинное обучение, оптимизация портфеля, финансовые рынки, риск-менеджмент, прогнозирование доходности, алгоритмическое инвестированиеАннотация
В статье проводится обзор и анализ перспективного направления портфельного анализа, основанного на использовании методов машинного обучения. Рассмотрены проблемы традиционных подходов к управлению портфелем и их ограничения, а также преимущества методов машинного обучения в анализе больших объёмов данных и построении нелинейных моделей. Представлена классификация алгоритмов машинного обучения для оптимизации портфелей ценных бумаг, выделены три типа алгоритмов: надзорное обучение для предсказания доходности активов, безнадзорное обучение для кластеризации рисков и усиленное обучение для адаптации портфеля в реальном времени. Представлены ключевые ограничения и риски использования алгоритмов машинного обучения в рамках анализа портфелей ценных бумаг. Рассмотрены такие перспективные разработки в области алгоритмов машинного обучения, как глубокие нейронные сети, графовые модели и байесовская статистика, для оптимизации портфелей ценных бумаг.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
Gunjan A., Bhattacharyya S. A brief review of portfolio optimization techniques // Artificial Intelligence Review. 2023. Vol. 56. No 5. P. 3847-3886.
Долгов А.М., Люкевич И.Н., Долгов В.М. Применение методов машинного обучения в ценообразовании // Вестник Алтайской академии экономики и права. 2022. № 4-1. С. 52-59.
Habbab F.Z., Kampouridis M. An in-depth investigation of five machine learning algorithms for optimizing mixed-asset portfolios including REITs // Expert Systems with Applications. 2024. Vol. 235. P. 1-20.
Родин Д.Я., Паршин А.Б., Терпицкая К.И. Стратегии управления портфелем ценных бумаг // Вестник Академии знаний. 2022. № 3 (50). С. 455-464.
Плахин А.Е., Гусева Т.И., Селезнева М.В. Стратегия управления портфелем ценных бумаг // Фундаментальные исследования. 2024. № 12. С. 61-68.
Ma Y., Han R., Wang W. Portfolio optimization with return prediction using deep learning and machine learning // Expert Systems with Applications. 2021. Vol. 165. P. 1-12.
Du J. Mean–variance portfolio optimization with deep learning based-forecasts for cointegrated stocks // Expert Systems with Applications. 2022. Vol. 201. P. 1-14.
Chaweewanchon A., Chaysiri R. Markowitz mean-variance portfolio optimization with predictive stock selection using machine learning // International Journal of Financial Studies. 2022. Vol. 10. No 3. P. 1-19.
Chen W. et al. Mean–variance portfolio optimization using machine learning-based stock price prediction // Applied Soft Computing. 2021. Vol. 100. P. 1-22.
Lee Y. et al. An Overview of Machine Learning for Portfolio Optimization // Journal of Portfolio Management. 2024. Vol. 51. No 2. P. 1-31.
Cui T. et al. Multi-period portfolio optimization using a deep reinforcement learning hyper-heuristic approach // Technological Forecasting and Social Change. 2024. Vol. 198. P. 1-11.
Батранина Т.Н. и др. К вопросу о формировании структуры личного инвестиционного портфеля // Вестник Алтайской академии экономики и права. 2021. № 4-1. С. 14-20.
Каваленя Л.Н. Применение устойчивых распределений Леви и генетических алгоритмов для оптимизации портфеля ценных бумаг // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. 2023. Т. 8. С. 58-71.
Полетаев А.Ю., Спиридонова Е.М. Иерархическая кластеризация как метод снижения размерности в задаче оптимизации инвестиционного портфеля Марковица // Моделирование и анализ информационных систем. 2020. Т. 27. № 1. С. 62-71.
Асатуров К.Г. Оптимизация инвестиционного портфеля с декомпозицией риска // Вестник Московского университета. Серия 6. Экономика. 2017. № 5. С. 61-85.
Buyanova E.A., Sarkisov A.R. Constructing of an Optimal Portfolio on the Russian Stock Market Using a Nonparametric Method–Artificial Neural Network // Корпоративные финансы. 2017. Vol. 11. No 3. P. 100-110.
Salas-Molina F. et al. An Empirical Evaluation of Distance Metrics in Hierarchical Risk Parity Methods for Asset Allocation // Computational Economics. 2025. P. 1-18.
