Бэктест модели

Финансовое машинное обучение

Проблема прогнозирования

В отличие от традиционных приложений ML, финансовые рынки обладают рядом уникальных характеристик, которые делают прогнозирование исключительно сложным:

• Низкое соотношение сигнал/шум: Доходность активов преимущественно содержит шум, при этом прогнозные сигналы часто объясняют менее 5% дисперсии. Коэффициент Спирмена IC в 5-10% считается отличным на практике.
• Нестационарность: Рыночная динамика эволюционирует со временем. Закономерности, действовавшие в одном режиме, могут развернуться в другом, требуя адаптивных моделей и тщательной валидации.
• Состязательная природа: Рынки конкурентны — прибыльные сигналы привлекают капитал, пока не будут арбитражированы. Этот 'альфа-затухание' означает, что модели требуют непрерывных исследований и доработки.

Кросс-валидация в финансах

Стандартная k-fold кросс-валидация неприменима для данных временных рядов из-за временных зависимостей. Мы используем:

• Очищенная кросс-валидация: Исключение образцов вблизи границы обучение-тест для предотвращения утечки информации от перекрывающихся горизонтов прогнозирования.
• Периоды эмбарго: Добавление буферных зон между периодами обучения и тестирования, обычно равных длине горизонта прогнозирования.
• Комбинаторная очищенная КВ: Тестирование нескольких комбинаций обучение/тест при сохранении временной целостности, обеспечивая надёжные оценки вне выборки.

Конструирование признаков

Сырые ценовые данные необходимо преобразовать в стационарные, предиктивные признаки. Типичные преобразования включают доходности (арифметические и логарифмические), z-оценки, процентильные ранги и технические индикаторы. Выбор масштабирования и нормализации признаков существенно влияет на производительность модели.

Управление финансовыми рисками

Фундаментальные метрики риска

Профессиональное управление портфелем требует строгой количественной оценки риска:

• Волатильность (σ): Стандартное отклонение доходности, обычно аннуализируемое умножением на √252 для дневных данных. Измеряет общий риск, но не различает рост и падение.
• Максимальная просадка: Наибольшее снижение стоимости портфеля от пика до минимума. Критически важна для понимания худших сценариев и психологии инвесторов — 50% просадка требует 100% прибыли для восстановления.
• Стоимость под риском (VaR): Максимальный ожидаемый убыток за заданный временной горизонт при указанном уровне доверия (напр., 95% VaR). Широко используется, но критикуется за неучёт хвостовых рисков.
• Условный VaR (ожидаемые потери): Ожидаемый убыток при условии, что потери превышают VaR. Решает ограничения VaR, количественно оценивая тяжесть хвостовых событий.

Коэффициент Шарпа

Определяемый как (Rp - Rf) / σp, коэффициент Шарпа измеряет доходность с поправкой на риск — избыточную доходность на единицу волатильности. Коэффициент Шарпа выше 1.0 считается хорошим, выше 2.0 — отличным. Однако будьте осторожны: коэффициенты Шарпа могут быть искусственно завышены неликвидностью, кредитным плечом или короткими периодами выборки.

Систематический vs. идиосинкратический риск

Общий риск разделяется на рыночный риск (β × рыночные движения) и специфический риск компании. Модель оценки капитальных активов (CAPM) предполагает, что вознаграждается только систематический риск, поскольку идиосинкратический риск можно диверсифицировать. Современные факторные модели расширяют это на несколько факторов риска (размер, стоимость, моментум, качество).

Построение портфеля

Современная портфельная теория

Основополагающая работа Гарри Марковица (1952) установила, что риск портфеля не является просто взвешенным средним рисков отдельных активов — корреляции важны. Два актива с неполной корреляцией (ρ < 1) дают портфель с меньшим риском, чем любой актив по отдельности.

Эффективная граница

Для любой заданной целевой доходности существует портфель с минимальной дисперсией. Множество всех таких портфелей образует эффективную границу — рациональные инвесторы должны держать только портфели на этой границе. Точки ниже границы субоптимальны (тот же риск, меньшая доходность), а точки выше недостижимы.

Вызовы оптимизации

Оптимизация по среднему-дисперсии печально известна своей чувствительностью к входным оценкам:

• Ошибка оценки: Ожидаемую доходность трудно оценить точно. Небольшие ошибки во входных данных могут привести к кардинально разным оптимальным портфелям.
• Риск концентрации: Неограниченная оптимизация часто даёт экстремальные позиции. Практические реализации устанавливают лимиты позиций и секторные ограничения.
• Регуляризация: Методы, такие как сжимающие оценки, Black-Litterman и робастная оптимизация, помогают стабилизировать веса портфеля.

Равновзвешенный vs. оптимизированный

Портфель 1/N (равновзвешенный) часто превосходит оптимизированные портфели вне выборки из-за ошибки оценки. Наш бэктест использует равные 5% веса как робастный базовый уровень. Для улучшенных портфелей наш оптимизатор применяет ограничения и регуляризацию для улучшения реальной производительности.

Стратегии Long-Short акций

Рыночная нейтральность

Долларово-нейтральный портфель long-short (равная длинная и короткая экспозиция) имеет нулевую чистую рыночную экспозицию. Это изолирует 'альфу' от выбора акций, хеджируя рыночный риск. Стратегия приносит прибыль, когда длинные позиции опережают короткие, независимо от направления рынка.

Источники доходности

Доходность long-short раскладывается на:

• Long альфа: Опережение длинных позиций относительно рынка.
• Short альфа: Отставание коротких позиций относительно рынка (мы получаем прибыль, когда короткие падают).
• Short ребейт: Проценты, заработанные на выручке от коротких продаж (уменьшенные на стоимость заимствования на практике).

Практические соображения

Реальная реализация включает транзакционные издержки (комиссии, спреды bid-ask), влияние на рынок (движение цен против вас), ограничения коротких продаж (требования locate, стоимость заимствования) и лимиты ёмкости. Эти трения уменьшают реализованную доходность по сравнению с теоретическими бэктестами.

Частота ребалансировки

Более частая ребалансировка быстрее захватывает альфу, но влечёт более высокие транзакционные издержки. Оптимальная частота балансирует затухание сигнала и торговые издержки. Для прогнозов доходности ежемесячная или ежеквартальная ребалансировка обычно обеспечивает выгодный компромисс.

Факторное инвестирование

Что такое факторы?

Факторы — это систематические источники доходности, объясняющие, почему определённые акции опережают другие со временем. В отличие от выбора акций на основе анализа отдельных компаний, факторное инвестирование нацелено на широкие, устойчивые характеристики, общие для групп ценных бумаг. Академические исследования выявили многочисленные факторы, хотя лишь несколько доказали свою робастность на разных рынках и временных периодах.

Классические факторы

• Рынок (β): Экспозиция к общему рынку акций. Оригинальный фактор из CAPM — акции с более высокой бетой движутся сильнее вместе с рынком и исторически приносят более высокую доходность (при более высоком риске).
• Размер (SMB): Акции малой капитализации имеют тенденцию превосходить акции крупной капитализации. Fama и French (1993) задокументировали эту премию 'малые минус большие', хотя она ослабла в последние десятилетия.
• Стоимость (HML): Акции с низким коэффициентом цена/балансовая стоимость превосходят акции роста со временем. Этот фактор 'высокие минус низкие' отражает покупку дешёвых активов и продажу дорогих.
• Моментум (UMD): Акции, показавшие хорошие результаты за последние 3-12 месяцев, имеют тенденцию продолжать опережать рынок. Jegadeesh и Titman (1993) задокументировали этот эффект 'рост минус падение' на разных рынках.
• Качество (QMJ): Компании с высокой рентабельностью, стабильной прибылью и низким долгом превосходят других. Asness и соавторы (2019) формализовали этот фактор 'качество минус мусор'.
• Низкая волатильность: Парадоксально, акции с низким риском часто обеспечивают более высокую доходность с поправкой на риск, чем акции с высоким риском, что противоречит базовым предсказаниям CAPM.

Факторные модели

Мультифакторные модели разлагают доходность на систематические компоненты:

• Fama-French 3-факторная: Рынок + Размер + Стоимость. Объясняет ~90% доходности диверсифицированного портфеля.
• Carhart 4-факторная: Добавляет Моментум к модели Fama-French.
• Fama-French 5-факторная: Добавляет факторы Рентабельности и Инвестиций, хотя Моментум остаётся значимым.

Факторный тайминг вс. факторная экспозиция

Статическая факторная экспозиция (постоянный уклон в сторону стоимости, моментума и т.д.) исторически вознаграждала терпеливых инвесторов. Факторный тайминг — динамическая корректировка весов факторов — гораздо сложнее. Факторы могут уступать годами перед возвратом к среднему, а сигналы тайминга ненадёжны. Большинство практиков рекомендуют диверсифицированную, последовательную факторную экспозицию, а не тактическое распределение.

Машинное обучение и факторы

Наша прогнозная модель неявно улавливает факторные экспозиции через свои признаки. Изучая закономерности на основе фундаментальных данных, ценового моментума и рыночных условий, модель выявляет акции с вероятным опережением рынка — эффективно комбинируя множество факторов на основе данных. Этот подход позволяет обнаруживать нелинейные взаимодействия факторов, которые упускают традиционные линейные модели.