Диссертация (Формирование портфеля акций на фондовом рынке с использованием непараметрических методов), страница 7

Среди фундаментальных факторов авторывыделили показатели рентабельности бизнеса (ROE, NI margin, ROA ит.д.), среди технических индикаторов были выделены моментум иобъем торгов. По результатам авторы пришли к противоречивымвыводам: с одной стороны, была построена нейронная сеть, способнаяпредсказывать с достаточной точностью акции роста, но с другойстороны, показатели фундаментального анализа имели крайне малыйвес в итоговом разложении прогнозных показателей. Одним изобъяснений подобного может служить то, что авторы выбрали лишьпоказатели, связанные с чистой прибылью компаний, полностьюпроигнорировав показатели, связанные с ростом объемов бизнеса.

Длякорректного отражения темпов роста самого бизнеса необходимо быловключить в анализ показатели выручки компаний и темп роста объемовпродаж/производства. В периоды роста компаний можно не наблюдатьизменений в рентабельности, но при этом фиксируются существенныеизменения в объемах выручки, а также объемах производства. Приэтом для контроля случаев, когда темп роста производства/продажсвязан не с ростом отдельной компании, а отрасли в целом, можноввести переменную, отвечающую за рыночную долю конкретной41компании. В случае, когда рост выручки и объемов будет вызванростом отрасли и экономике в целом, не будет происходить серьезныхизменений в рыночной доле конкретной компании.Мвамба (Mwamba, 2011) в своем исследовании моделировалповедениестоимостейакцийприпомощиметодаядерногосглаживания.

Однако помимо стандартного вывода об эффективностиданного метода, автор задается вопросом об одновременномсуществовании в теории финансов гипотезы об эффективности рынкаи растущем количестве работ, показывающих, что на основеимеющихся на момент анализа данных можно строить прогнозы,позволяющие обыгрывать рынок. Одним из предположений авторабыло то, что эффективность рынка есть временное состояние, котороебывает лишь во времена относительной стабильности.Исследование, посвященное вопросу наличия сильной формыэффективности рынка, было проведено Дарушиным в 2014 году.

Авторисследовал наличие различных форм эффективности рынка припомощинепараметрическихметодовнапримерероссийскогофондового рынка. В качестве результата было выявлено, чтороссийскийфондовыйрынок обладаетлишьслабойформойэффективности. При этом автор не отвергает гипотезу того, что в целомэффективность рынка есть некоторое состояние в определенные фазыфункционирования.Такано и Гото (Takano and Gotoh, 2011) использовали модельядерного сглаживания для построения оптимальных торговыхстратегий на Японской фондовой бирже в условиях нелинейныхтранзакционныхиздержек.Авторысформулировалиоптимизационную задачу, при которой инвестору необходимо былоосуществлять ребалансировку портфеля, прогнозируя транзакционные42издержки, которые будут связаны с приобретенными акциями вбудущем.

В результате исследования авторам удалось построитьоптимальныеправиламаксимизировалиотборадоходакцийинвесторавприпортфель,которыенелинейныхшокахтранзакционных издержек. При этом логично, что основнымидетерминантами в выборе акций в портфель служила величина bid-askспреда, объем торгов и моментум акций. Небольшой спред, наличиеглубокого рынка, а также высокие относительные показателидоходности на момент ребалансировки являлись признаком того, чтопо подобной акции меньше вероятность отрицательного шокатранзакционных издержек.Ниже представлены основные работы, в которых использоваласьмодель ядерного сглаживания для прогнозирования стоимостейфинансовых активов, а также построения портфелей:Фармер и Сидорович (Farmer & Sidorowich, 1988); Хардл иВольфганг (Hardle & Wolfgang ,1990); Макдональд и Цучинни(MacDonald & Zucchini, 1997); Жанг, Жианг и Ли (Zhang, Jiang & Li,2005); Корафас (Chorafas, 1994), Чапелль и совавторы (Chapelle et al.,2002); Кирти (Keerthi et al., 2007); Бах (Bach et al., 2004); Онг (Ong et al.,2005).В качестве третьего типа непараметрических моделей следуетотметить непараметрические модели, использующие метод деревьеврегрессий и классификаций.Методдеревьеврегрессийиклассификацийвпервомприближении является методом, который пытается на основеобучающейвыборкивыявитьосновныепеременными и изучаемой величиной.43взаимосвязимеждуИзвсехтрех,представленныхвданнойработенепараметрических методов, метод деревьев классификаций ирегрессий имеет наиболее ограничительные требования к данным.Ограничения метода деревьев регрессий и классификаций,применительно к финансовым данным, описаны в работе Андриашана(Andriisahin, 2005), который использовал метод деревьев регрессий иклассификаций для формирования инвестиционного портфеля нафранкфуртской фондовой бирже.

В рамках данного исследованияавтор показал эффективность данного метода, но также подчеркнул,что у метода есть и серьезные недостатки: выбор архитектурыдеревьев,атакжетребованиякминимальномуколичествунаблюдений. В качестве наиболее трудоемкого этапа в подбореоптимальнойархитектурыдеревьевавторвыделилвыбороптимального вектора входных переменных.К схожим выводам относительно ограничений метода деревьеврешений пришел в своем исследовании и Сунден (Sunden, 2009),который использовал метод деревьев регрессий и классификаций дляотбора бумаг на Стокгольмской фондовой бирже. Минимальноеколичество наблюдений является ограничением для метода, прииспользовании его к коротким рядам. Данное ограничение заставляетотказаться от включения переменных, ряды данных по которымнедостаточной длинны.Руснак и Васичек (Rusnak & Vasicek, 2005) использовали методдеревьев регрессий и классификации для прогнозирования дефолта ЦБЕвросоюза.

В данном исследовании авторам пришлось использоватьданные относительно валютных и финансовых кризисов в странахЕвросоюза с 1970 года, чтобы не нарушать ограничение наминимальное количество наблюдений для построения деревьев.44Савона и Вецолли (Savona & Vezzolli, 2012, 2013) использовалиданные о финансовых кризисах 66 развивающихся стран за период1975 – 2002 гг. и модернизировали базовый вариант метода деревьеврегрессийиклассификаций(использовалидвухступенчатуюпроцедуру). В качестве выводов авторы выявили, что метод деревьеврегрессий и классификаций чувствителен к фундаментальнымхарактеристикамизучаемыхвеличин:использоватьмодель,подогнанную для развивающихся стран, для развитых стран нельзя, инаоборот.

А ведь именно подобным образом зачастую проходит оценкаспреда развивающихся стран при расчете требуемой доходности:строится оценка спреда для развитых стран, а затем подставляютсязначения независимых переменных развивающихся стран.Дропси и Винсент (Dropsy and Vincent, 1996) провелиисследование,посвящённоеизучениюэффективностимакроэкономических факторов для оценки страновой риск-премииакций. В рамках исследования авторы использовали метод деревьевклассификаций, который применили на панель данных 24 стран мираза период 1980 – 1995 гг. В качестве независимых переменныхиспользовались следующие показатели: ВВП, ВВП на душу населения,изменение ВВП/ВВП на душу населения, инфляция, величиныденежных агрегатов, курс валют, а также ставка рефинансирования.

Порезультатамданногоисследованияавторыотметили,чтополучившаяся модель имела крайне низкую прогнозную силу, что былосвязано с неполнотой входного вектора переменных. Несмотря на то,что целью исследования было изучение страновой риск-премии,необходимо было учитывать, что международные инвесторы неотносятся ко всем акциям определенной страны как к однородномумножеству. Всегда существуют акции компаний, которые, несмотря на45страновые шоки, показывают стабильный рост.

Связано это с тем, чтоотраслевая принадлежность отдельных акций, а также внутренниехарактеристики могут компенсировать установленную страновую рискпремию. Также, возможно, был некорректно определен вектор входныхпараметровдажеприимеющемсямножественезависимыхпеременных: в тексте работы нет ссылок на решение оптимизационнойзадачи по выявлению оптимального вектора независимых переменных.Таким образом, ошибки в архитектурном построении деревьевклассификаций могли привести к подобным результатам.Штрайхерт, Ульмер и Целл (Streichert, Ulmer and Zell, 2004)использовали в качестве инструмента для отбора акций в портфельметод деревьев регрессий.