Оптимизация портфеля с применением методов машинного обучения: еще один подход

В данной работе исследуется интеграция современных методов машинного обучения с классическими финансовыми моделями для оптимизации портфеля. Основываясь на хорошо зарекомендовавшей себя модели Блэка-Литтермана, мы используем прогнозы гибридных нейронных сетей LSTM-GRU для прогнозирования цен акций и интегрируем эти прогнозы в рамках модели Блэка-Литтермана для построения оптимальных портфелей. Мы применяем классические методы оптимизации портфеля и иерархическое распределение риска (HRP) для повышения эффективности и диверсификации портфеля. Наш подход направлен на то, чтобы сбалансировать сильные теоретические основы традиционных моделей с адаптивностью и прогнозной мощностью машинного обучения. Сравнивая эффективность портфелей, оптимизированных различными методами, мы оцениваем эффективность этих стратегий в различных рыночных условиях. Мы провели обширный эмпирический анализ, используя данные Yahoo Finance за период с 2010 по 2020 год, охватывающие ежедневные значения акций S&P 500. Результаты показывают, что портфели, построенные с использованием гибридной модели, превосходят классические методы оптимизации и демонстрируют устойчивость в периоды рыночной волатильности. Примечательно, что показатель R2 (R-квадрат) оказался более эффективным, чем MAPE (средняя абсолютная процентная ошибка) в данном контексте, что указывает на его лучшую применимость в комбинированной модели машинного обучения и Блэка-Литтермана. Наши выводы вносят вклад в продолжающийся диалог по оптимизации портфеля, подчеркивая важность интеграции современных вычислительных методов с традиционными финансовыми теориями для разработки более надежных и эффективных инвестиционных стратегий, предлагая перспективный путь для будущих исследований в области финансов.