Диссертация (Формирование портфеля акций на фондовом рынке с использованием непараметрических методов)

Федеральное государственное автономное образовательноеучреждение высшего образования«Национальный исследовательский университет«Высшая школа экономики»»На правах рукописиСаркисов Артур РачиковичФормирование портфеля акций на фондовом рынке с использованиемнепараметрических методовДИССЕРТАЦИЯна соискание ученой степеникандидата экономических наук НИУ ВШЭНаучный руководитель:кандидат физико-математических наук, доцентБуянова Елена АлександровнаМосква – 2018ОглавлениеВведение4Глава 1.

Теории построения инвестиционных портфелей и отбораактивов141.1. Основы современной портфельной теории141.2. Модели формирования инвестиционного портфеля и прогнозированиядоходности финансовых активов при помощи макроэкономических факторов171.3. Модели формирования инвестиционного портфеля и прогнозированиядоходности финансовых активов при помощи показателей фирмы211.4.

Модели формирования инвестиционного портфеля и прогнозированиядоходности финансовых активов при помощи технических индикаторов 271.5. Использование непараметрических методов в финансах32Глава 2. Подбор параметров непараметрических моделей для отбораакций в инвестиционный портфель492.1.

Метод деревьев классификаций492.2. Метод искусственных нейронных сетей602.3. Байесовский метод ядерного сглаживания68Глава 3. Формирование инвестиционного портфеля при помощинепараметрических методов753.1. Алгоритм построения оптимального портфеля753.2. Обзор переменных, включенных в анализ803.3. Результатыпостроениянепараметрических методовпортфелейакцийприпомощи943.4.

Построение портфелей при помощи непараметрических методов дляинвесторов с различным уровнем несклонности к риску1103.5. Проверка устойчивости результатов на random-walk dataЗаключение2114119Список использованной литературы123Приложение 1. Таблица откликов, полученная при использованиинепараметрических методов139Приложение 2. Полный перечень переменных, использованный для отбораоптимального вектора переменных для каждого метода143Приложение 3. Вектор переменных, использованный для построенияпортфелей при помощи линейной регрессии145Приложение 4.

Значимость факторов динамики индекса ММВБ притестировании на 2008 году146Приложение 5. Результаты симуляций на рядах случайного блуждания1473ВведениеФормирование инвестиционного портфеля является одним изосновных вопросов современной теории финансов, и в экономическойлитературе существует большой блок работ, посвященных построениюинвестиционногопортфеля,вкоторыхпроводилсяанализфундаментальных и технических характеристик эмитентов припомощи параметрических методов.

Однако зачастую применениепараметрических методов анализа приводило к неэффективности исмещениям финальных оценок. Связано это с тем, что частоанализируемые ряды данных являлись либо слишком короткими, либоимели неустойчивую внутреннюю структуру. Таким образом, наданный момент важным вопросом является разработка алгоритмовработы с короткими временными рядами и рядами с большимколичеством выбросов.

Именно попыткой решения данной задачи иобусловлен переход от методов анализа, основанных на параметрахраспределения наблюдаемых величин, к методам, которые непредъявляюттребованийкраспределениюрегрессоров,т.е.непараметрическим методам анализа. Поэтому актуальность темыдиссертационногоисследованияобусловленанеобходимостьюсовершенствования подходов к формированию инвестиционныхпортфелейнаосновеанализафакторовтехническогоифундаментального анализа.Наличие методов, позволяющих анализировать короткие ишумныевременныеряды,позволяетсформироватьпереченьдетерминант доходности акций российских компаний, на основекоторого можно выстроить эффективную торговую позицию в рамкахпроцесса формирования портфеля. Во многих российских компанияхпортфельные управляющие при формировании инвестиционного4портфеля сталкиваются с проблемой, когда при анализе временныхрядов при помощи параметрических методов, достигается высокоекачество подгонки, но низкое качество прогноза.

В экономическойлитературе данная проблема называется «Прогнозирование илиподгонка» («Forecasting vs Fitting»). В отличие от параметрическихоценок,оценки,полученныеврезультатеприменениянепараметрических методов, не будут являться смещенными, поэтомуэффективность прогноза цены акции, а, следовательно, и еедоходности, при использовании непараметрических методов выше.Таким образом, применение непараметрических методов позволитзначительно увеличить эффективность работы с данными припостроении прогноза, что увеличит прибыль инвесторов за счетправильной торговой стратегии.Мировой экономический кризис 2008 – 2009, а также кризисроссийской экономики, начавшийся в 2014 году, повлияли на все сферыэкономической деятельности России.

В том числе данные кризисныеявления затронули и фондовый рынок и привели к тому, что прианализе данных по российским компаниям существует проблемаструктурных сдвигов, наличие которых делает невозможным работу смоделями, основанными на использовании параметрических методов.Невозможность использования параметрических методов связана стем, что в общем виде, нельзя утверждать, что распределениенаблюдаемых величин до кризиса такое же, как распределениенаблюдаемыхвеличинпослекризиса.Всвоюочередьнепараметрические методы анализа не сталкиваются с подобнойпроблемой, т.к.

не основываются на параметрах распределения.Актуальность использования непараметрических методов вкачестве инструмента формирования инвестиционного портфеля5обусловлена также необходимостью формирования инвестиционногопортфеля в кризисных условиях, когда инвестор сталкивается нетолько с уже свершившимися изменениями в структуре данных, нотакже должен подразумевать возможность возникновение структурныхсдвигов в будущем.Вдиссертационномисследованиибылпроведенанализэффективности 3 непараметрических методов: метод деревьевклассификаций (далее – CART), метод искусственных нейронных сетей(далее – ANN) и метод ядерного сглаживания. Выбор именно данныхметодов обусловлен тем, что каждый из них представляет отдельнуюгруппунепараметрическихклассификацииметодов:наблюдаемыхметоды,величин–основанныенаметоды,CART;использующие нейронные сети – ANN; методы, использующиеБайесовские подходы – ядерное сглаживание.Степень разработанности проблемы.В области построения оптимального портфеля при помощинепараметрических моделей следует выделить следующие дванаправления исследований.

Первое: на ранних этапах развития данногонаправленияиспользованияисследователипыталисьнепараметрическихпоказатьметодов,эффективностьиспользуялишьстандартные показатели фундаментального анализа. Второе: в болеепозднихисследованияхосуществлялисьпопыткиполучитьоптимальную комбинацию факторов как технического, так ифундаментального анализа, которая бы максимально подходила дляконкретного рынка. Ниже представлен лишь краткий перечень работпо использованию непараметрических методов в финансах.В своей работе Breiman (1987) сформулировал основныепреимущества непараметрических методов:6 Не требуют предварительного отбора параметров. Нет проблемыошибочной спецификации; Нечувствительны к монотонным преобразованием независимыхпеременным; Результаты робастны к выбросам в выборке.Андреяшин, Хардли и Тимофеев (Andriyashin,Haerdle,Timofeev,2008), Бримен (Breiman, 1984), Чаварнакул и Инке (Chavarnakul andEnke, 2009) описали теоретические основы использования методадеревьев классификаций для построения оптимального портфеля нафондовых рынках развитых стран.Алварес – Диас и Хамуди (Alvarez-Diaz & Hammoudeh, 2014)тестировали surrogate data method в качестве инструмента для прогнозацен акций на DJIM и DJIA.

В итоге авторы получили вывод о том, что,используя данный непараметрический метод, можно эффективнопрогнозировать стоимость акций на DJIA в рамках 15-недельногогоризонта, а на DJIM в рамках 9-недельного горизонта.Метод ядерного сглаживания был использован в работеШираиши и Танигучи (Shiraishi & Taniguchi, 2007) для оценкидисперсии доходностей акций на Токийской фондовой бирже.Исследованиеавторовпоказало,чтоприпомощиданногонепараметрического метода можно эффективно прогнозироватьповедение акций и строить оптимальный портфель. При этом авторыотмечают, что эффективность того или иного непараметрическогометода может быть различна в зависимости от структуры данных.Так называемый I(d) processes (Bierens, 1997) был использован вработе Ауе и Минг (Aue & Ming, 2014), в которой авторы строилимодель оптимальной диверсификации при построении портфеля7ценных бумаг.

В ходе своего исследования авторы выяснили, чтофондовые рынки США (Dow Jones 30 и S&P 500) являются попарнокоинтегрированы с фондовыми рынками стран БРИКС.Крижановски с соавторами (Kryzanowski et al., 1992), Джанг иЛэй (Jang and Lai, 1994) ,Фрейтас (Freitas, 2001) ,Элис и Уилсон (Ellisand Wilson, 2005) ,Ванстоун (Vanstone et al., 2010), Фернандес и Гомес(Fernandez and Gomez, 2012) в своих работах использовали методискусственных нейронных сетей для построения оптимальногопортфеля. В рамках данных работ был сформирован теоретическийфундамент для осуществления отбора бумаг при помощи метода ANN,были описаны основные алгоритмы определения оптимальногоразмера нейронной сети. Авторами не только строились прогнозыстоимости финансовых инструментов при помощи метода ANN, но итестировалась эффективность данного метода при подгонке под ужеимеющиеся данные.Агулар и Вест (Aguilar and West, 2000), Аврамов (Avramov,2002),Барберис (Barberis, 2000), Браун (Brown, 1976), Кремерс (Cremers,2002), Фрост и Саварино (Frost and Savarino, 1986), Кроуфорд и Вуд(Crawford and Wood, 2016) использовали различные вариацииБайесовских методов для построения эффективных торговых стратегийна фондовых рынках.

При этом в данных работах отмечалась высокаястепень устойчивости результатов при наличии структурных сдвигов вданных, а также при наличии кротких рядов данных.Объектом исследования являются цены акций российскихкомпаний, рассматриваемые в качестве объекта для инвестирования врамках формирования инвестиционного портфеля.8Предмет исследования – торговые стратегии, основанные наиспользовании непараметрических методов в качестве инструментаотбора бумаг в портфель.Цель исследования – оценить эффективность использованиянепараметрических методов как инструмента отбора бумаг в портфельнароссийскомформированияфондовомрынкепортфелейиихипредложитьуправленияалгоритмынаосновенепараметрических методов.Для достижения указанной цели сформулированы следующиезадачи:1.