APPLICATION OF MACHINE LEARNING ALGORITHMS FOR SECURITIES PORTFOLIO OPTIMIZATION
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
Keywords:
machine learning, portfolio optimization, financial markets, risk management, profitability forecasting, algorithmic investingAbstract
The article provides an overview and analysis of a promising area of portfolio analysis based on the use of machine learning methods. The problems of traditional approaches to portfolio management and their limitations are considered, as well as the advantages of machine learning methods in analyzing large amounts of data and building nonlinear models. A classification of machine learning algorithms for optimizing securities portfolios is presented, and three types of algorithms are identified: supervised learning for predicting asset returns, unsupervised learning for risk clustering, and enhanced learning for real-time portfolio adaptation. The key limitations and risks of using machine learning algorithms in the framework of securities portfolio analysis are presented. Promising developments in the field of machine learning algorithms such as deep neural networks, graph models, and Bayesian statistics for optimizing securities portfolios are considered.
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
References
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.
