Саркисов_резюме_RUS (1138723), страница 2
Текст из файла (страница 2)
подекабрь 2015 г.2. На основе данных недельных доходностей за период сянваря 2008 г. по декабрь 2015 г. формировался векторклассовдлякаждогонаблюденияС ={(покупка актива), (продажа актива), (сохранение актива)} взависимости от отношения недельной доходности идоходности индекса3. Наосновепостроенныхдеревьевклассификацийинейронных сетей отбирались акции компаний, которымнамоментдекабря2015г.былприсвоенкласс{покупка актива}.4. Определялся вес акций, по которым был присвоен класс{покупка актива}, в портфеле. Вес для отобранных акцийопределялсяпутемрешенияследующейоптимизационной задачи по максимизации Sharpe ratioпортфеля:max −= ∑=1 (2) = √∑=1 2 2 + 2 ∑−1=1 ∑=+1 ∑=1 = 1 ≥ 0,{где: − доходность − й акции, − стандартное отклонение доходности − й акции, − доля − й акции в портфеле.В качестве безрисковой ставки использовалась среднемесячнаядоходность государственных облигаций 3 – 5 лет RUGBITR5Y.После первичного формирования портфелей каждые 3 месяцапроисходила их ребалансировка, в рамках которой вновь строилисьдеревья классификаций и нейронные сети для каждой акции с учётомновых данных.
Происходила продажа бумаг компаний, которые были впортфеле и которым в процессе ребалансировки был присвоен класс{продажаактива}.Средства,полученныеотреализациибумаг,распределялись среди активов с классом {покупка актива}.При ребалансировке задача выбора весов принимала следующийвид:max −= +∑=1 ̅̅̅ = √∑=1 2 2 + 2 ∑−1=1 ∑=+1 {∑=1 ̅̅̅ = 1 − ℎ ≥ 0,(3),где – доходность акций со статусом {сохранение актива}.Определялась как сумма произведений долей соответствующих активовна их доходность.При построении портфеля на основе Байесовского методаядерного сглаживания не было необходимости в присвоении зависимымпеременнымопределенногоклассавзависимостиотзначениядоходности.
Также при построении портфеля при помощи Байесовскихметодов ребалансировка проходила путем решения задачи (2), т.к. врамках алгоритма не предусмотрено выделение акций, которые былибы сохранены в портфеле. В этом случае каждый раз портфельстроился, исходя из ожидаемой доходности, оцененной байесовскимметодом.Ниже приведено описание переменных, использованных дляформирования входного вектора: Макроэкономические: ВВП, темп роста ВВП, инфляция, темпинфляции, стоимость бивалютной корзины, сальдо торговогобаланса, цена на нефть марки Brent Переменные фундаментального анализа: current ratio, quickratio, cash ratio, long-term debt-to-equity, total debt-to-equity, debtratio, financial leverage, net profit margin, return on equity, returnon assets, return on common equity , изменения EPS к ценеакции, Book Value per Share / Share Price, FCFE, изменение FCFE,капитализация компании Переменные технического анализа: скользящие средние сразличными окнами, линии Бойленджера, моментум, RelativeStrength Index (RSI), Moving Avereage Convergence/Divergence(MACD), Stochastic, объем торгов и Bid – ask-spreadИспользуя оптимальный для каждого метода вектор входныхпеременных, отобранный из исходного множества переменных, былипостроены инвестиционные портфели при помощи каждого из трехнепараметрическихметодов.непараметрическихпротяженииметодоввсегоПостроенныепортфелиинвестиционногоприпоказалипомощидоходностьгоризонта2016нагода,превышающую как доходность рыночного портфеля, так и доходностьпортфелей, построенных при помощи параметрических методов.Построенныеинвестиционныепортфелибылихорошодиверсифицированными: лишь при одной ребалансировке методомядерного сглаживания был получен портфель, в котором доля однойакции составляла 21%.
По итогам данного анализа наибольшуюдоходность показывали портфели, построенные при помощи методаядерного сглаживания. Непараметрические методы показали своювысокую эффективность и при прогнозировании на 2008 году. При этомпостроенные портфели показали большую концентрацию, чем припрогнозированиина2016год,ноприэтомоставалисьдиверсифицированными.По итогам анализа наиболее значимых факторов при построенииоценки активов на основе непараметрических методов было выявлено,что при построении портфелей всеми тремя методами наиболеезначимыми переменными как при прогнозировании на 2016 году, так ипри прогнозировании на 2008 год были: моментум, цена на нефть ивеличинаbid-askspread.Полученныерезультатыподтверждаютгипотезу, что российский фондовый рынок является спекулятивным.Инвесторы анализируют движение цены на нефть как проксипеременнуюобщегосостоянияэкономикиРоссии;стараютсяинвестировать в акции компаний, которые уже были лидерами потемпам роста стоимости в прошлом; следят за тем, чтобы данные акциибыли ликвидны с минимальным Bid-ask spread.Помимо решения стандартной задачи максимизации дохода(задача2),котораябыласформулированабезотносительнопредпочтений потенциального инвестора, в четвертом параграфе быларешена задача максимизации полезности при разных значенияхпараметра предельной несклонности к риску.
По результатам решениязадачи максимизации было получено, что при помощи трех изучаемыхнепараметрическихметодов,можнополучатьмаксимальнуюдоходность не ниже рыночной, для инвесторов с коэффициентовнеприятия риска до 16,01 для метода ядерного сглаживания, для методаискусственныхнейронныхсетей–15,9,дляметодадеревьевклассификаций – 15,4.
При условии, что стандартный коэффициентнеприятия риска для инвестора-рискофоба варьируется от 10-12(Janecek, 2004), то из этого следует, что при помощи непараметрическихметодов можно получить оптимальные портфели с доходностью вышерыночнойДанныйдляфактбольшогомножестваподтверждаетпотенциальныхэффективностьинвесторов.непараметрическихметодов как инструмента построения инвестиционных портфелей нарынке акций.На последнем этапе была проведена проверка устойчивостирезультатов на рядах случайного блуждания. Проверялась гипотеза, чтополученные при помощи описанных в работе торговых стратегийрезультаты являются случайными, и что при их использовании на рядахслучайного блуждания также будет получена высокая доходность, чтобудет говорить, что результаты не основываются на экономическихвзаимосвязях.
Для того чтобы проверить данную гипотезу были созданырядыданных,подчиняющиесяслучайномублужданию,ипротестированы на данных рядах алгоритмы, использующиеся вданномисследовании.Врамкахданноготестированиябылисформированы 50 различных рядов стоимостей акций, на основекоторых был высчитан «рыночный индекс», а также показатели акций.По результатам тестирования не было выявлено ни одного случая, когдапри использовании непараметрических методов была достигнутадоходность, выше смоделированной «рыночной», что свидетельствует отом,чтополученныерезультатынеявляютсяслучайнымииосновываются на экономических взаимосвязях между переменными.Основные результаты, выносимые на защиту1. Обоснована необходимость использования непараметрическихметодоввкачествеинструментадляпостроенияинвестиционного портфеля.
Влияние выбора данного типаинструментариядоходностибылопоказанопортфелей,непараметрическихнапримересоставленныхметодов,ссравненияпридоходностьюпомощирыночногопортфеля, а также портфеля, построенного при помощипараметрического метода.2. Показано,чтоосновнымидетерминантамироссийскогофондового рынка являются переменные Momentum, величинаBid-Ask Spread, а также цена на нефть марки Brent. Данныйрезультат является устойчивым, т.к. был подтвержден прианализе всеми тремя рассматриваемыми непараметрическимиметодами как при осуществлении прогноза на 2016г., так и приосуществлении прогноза на 2008г.3. Доказано, что портфель, построенный при помощи методаядерногосглаживанияпоказалнетольконаибольшуюдоходность на временных горизонтах январь 2016 – декабрь 2016и январь 2008-декабрь 2008, но также показал строго большуюдоходность чем портфели, построенные при помощи другихметодов, при решении задачи максимизации полезностиинвестораприразличныхзначенияхкоэффициентанесклонности к риску.4.
Показано, что при тестировании разработанных алгоритмов нарядах случайного блуждания не достигается положительныхрезультатов доходности, что свидетельствует о статистическойзначимости результатов.Список опубликованных статейСтатьи,опубликованныевжурналах,рекомендованныхВАКминистерства образования и науки Российской Федерации:1) Саркисов А.Р., Голодова Ж.Г. Формирование инвестиционногопортфеля коммерческого банка: учет показателей позиционированияэмитентов на фондовом рынке// Финансы и кредит. 2012. №35. С. 2429.
– 0,4 п.л. (личный вклад автора - 0,3 п.л.)2) БуяновапортфеляЕ.А.,наСаркисовА.Р.российскомФормированиерынкеакцийинвестиционногоприпомощинепараметрического метода - дерева решений// Корпоративныефинансы. 2016. № 1. C. 46-58. – 1 п.л. (личный вклад автора - 0,6 п.л.)3) БуяновапортфеляЕ.А.,наСаркисовА.Р.российскомФормированиерынкеакцийинвестиционногоприпомощинепараметрического метода – искусственных нейронных сетей//Корпоративные финансы. 2017. № 3. C.
100-110. – 1 п.л. (личный вкладавтора - 0,6 п.л.).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
