Формирование инвестиционного портфеля на российском рынке акций при помощи непараметрического метода - искусственных нейронных сетей

Аннотация

В представленной работе проведен анализ эффективности использования метода искусственных нейронных сетей в качестве инструмента для построения оптимального портфеля акций на российском фондовом рынке. В ходе исследования для каждой акции, входящей в базу расчета индекса ММВБ, строилась нейронная сеть, входной вектор данных которой состоял из факторов макроэкономического, фундаментального и технического анализа. На основе откликов каждой сети был построен портфель, который за период январь 2015 г. - январь 2016 г. показал доходность выше, не только чем доходность рыночного портфеля с таким же риском, но и портфель, построенный при помощи непараметрического метода дерева решений.

Также использование метода нейронных сетей позволило явно выделить наиболее значимые факторы, определяющие доходность российских акций: momentum, bid-ask spread и цена на нефть. Полученные результаты свидетельствуют о наличии признаков спекулятивности российского рынка акций и полностью согласуются с выводами, полученными в работе, посвященной построению оптимального портфеля при помощи метода деревьев решений. При выборе момента для инвестирования в акции российских компаний инвесторы обращают внимание на цену на нефть, как основную макроэкономическую величину, определяющую общее состояние экономики России, и выбирают акции, показавшие себя лучше других в прошлых периодах и имеющие низкий bid-ask spread.

В работе также было проведено сравнение двух непараметрических методов (искусственных нейронных сетей и деревьев решений) путем решения задачи максимизации полезности инвестора при различных уровнях несклонности к риску. По результатам метод искусственных нейронных сетей позволяет строить оптимальные портфели с доходностью, строго превышающей доходность портфелей, построенных при помощи деревьев решений. Эффективность метода нейронных сетей по сравнению с методом деревьев регрессий можно объяснить отсутствием необходимости увеличения количества наблюдений с увеличением количества регрессоров. При этом оба метода показали высокую эффективность, позволяя получать доходность выше рыночной в оптимуме для широкого диапазона коэффициента предельной несклонности к риску.