Применение алгоритмов машинного обучения обеспечивает более точное прогнозирование рисков на российском фондовом рынке в сравнении с традиционными эконометрическими методами. Прогностическая способность моделей повышается на 23%, а потенциальная среднегодовая доходность для инвестора достигает 13%. К таким результатам пришел Никита Лысенок, сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН НИУ ВШЭ. Работа была опубликована в журнале «Фундаментальная и прикладная математика», о чем CNews сообщили в пресс-службе Высшей школы экономики.
Ключевой задачей для управления рисками и формирования инвестиционных стратегий на фондовом рынке по-прежнему является оценка волатильности. Эта величина отражает степень колебаний стоимости активов в течение торговой сессии. Неточности в прогнозе будущей волатильности непосредственно сказываются на ценообразовании опционов, управлении портфельными рисками и результативности инвестиционных подходов.
Среди классических способов оценки волатильности выделяется, например, HAR-модель. Она анализирует три временных периода на основе заданных параметров и формирует линейный прогноз волатильности на следующий день. Однако данная модель не учитывает нелинейные риски. Автор исследования поставил целью определить, могут ли методы машинного обучения превзойти стандартный эконометрический подход.
В основе исследования лежат высокочастотные данные по десяти самым ликвидным акциям Московской биржи за период с 2014 по 2025 год. Анализировались изменения цен с 10-минутным интервалом, что позволяет вычислять реализованную волатильность и ее производные для последующего прогнозирования. Также были задействованы показатели доходности и рыночной структуры, характеризующие специфику торгов на российской бирже. Затем проведено сравнение результатов классической HAR-модели с алгоритмами машинного обучения: Random Forest, XGBoost и LightGBM. Эти алгоритмы способны улавливать нелинейные зависимости и сложные взаимосвязи между переменными. Для проверки качества прогнозов использовались не только стандартные статистические метрики, но и симуляция реальной торговли акциями на основе рассчитанной волатильности.
Итоги работы подтвердили стабильное преимущество ML-моделей над классической HAR-моделью. Наиболее значительный прогресс наблюдается на краткосрочных и средних горизонтах прогнозирования. Средняя погрешность прогноза сократилась примерно на 15%, а точность модели возросла до 23% в зависимости от выбранного алгоритма (наилучшие результаты показал LightGBM).
«Алгоритмы машинного обучения демонстрируют более высокую эффективность как в периоды стабильности рынка, так и во время повышенной турбулентности. Они не предсказывают будущее, но способны точнее указывать на рост рисков, предоставляя время для корректировки инвестиционного портфеля», — отметил Никита Лысенок, сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН НИУ ВШЭ.
Моделирование биржевых операций с применением машинного обучения для уточнения оценки волатильности продемонстрировало увеличение доходности на 7 процентных пунктов — с 6,48% до 13,68% годовых.
«В основе лежит кумулятивный эффект и асимметрия рисков. Уточненная оценка волатильности дает возможность более точно определять объем позиции. На одной операции эта разница малозаметна, однако на дистанции сотен сделок она преобразуется в весомые проценты годовой прибыли», — пояснил Никита Лысенок, сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН НИУ ВШЭ.
При этом исследователь отметил, что применение машинного обучения для прогнозирования волатильности нуждается в тщательной настройке и сильно зависит от качества обучающих данных. Более точный прогноз волатильности сам по себе не гарантирует финансовой выгоды, а успешная торговля по-прежнему требует высокого профессионализма и сопряжена со существенными рисками.
«Основой стабильной доходности остается управление рисками: точная оценка волатильности помогает вовремя уменьшать позицию и предотвращать серьезные убытки», — добавил Никита Лысенок, сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН НИУ ВШЭ.
