Сегодня я собираюсь поделиться с вами своей идеей о том, как повысить эффективность инвестирования с помощью машинного обучения.

Большинство инвесторов используют метод ребалансировки, основанный на времени (например, каждый месяц, квартал или год). Моя гипотеза состоит в том, что портфель следует перебалансировать по мере изменения рынка.

Пример портфолио

Многим известен простой портфель для пассивного инвестирования, основанный на двух ETF: TQQQ и TMF. Идея заключается в том, что эти ETF постоянно растут, а их небольшая корреляция позволяет минимизировать риск, когда один ETF падает, а второй растет. Эти ETF отличаются высокой волатильностью, и основной проблемой является стабилизация волатильности. Вы можете справиться с этим, изменив вес каждого ETF. Большинство инвесторов используют комбинацию 60% TQQQ и 40% TMF или 70% TQQQ и 30% TMF. Однажды этот пользователь на Reddit опубликовал это сообщение для UPRO и TMF (UPRO является альтернативой TQQQ для такого портфолио):

Итак, давайте посмотрим на скользящий коэффициент волатильности для этих ETF (деление волатильности TQQQ на волатильность TMF):

Как видите, этот показатель часто выше 1,0, что означает, что волатильность TQQQ выше. Теоретически вес TQQQ должен быть меньше веса TMF. Я думаю, что комментарий выше был правильным. Давайте посмотрим на эффективность портфеля TQQQ 40% и TMF 60% с ежеквартальной ребалансировкой. Сравните кривую капитала с SPY.

Что ж, этот портфель превзошел рынок по доходности с немного худшей максимальной просадкой. В целом этот портфель хорош, мы можем оценить это с помощью коэффициента Сортино:

CAGR контрольного портфеля: 40,65%

Максимальная просадка эталонного портфеля: 36,8%

Коэффициент Сортино эталонного портфеля: 1,65

CAGR SPY: 16,08%

Максимальная просадка SPY: 33,72%

Коэффициент Сортино SPY: 0,92

Давайте построим график в логарифмическом масштабе, чтобы увидеть, что происходит за весь период:

Погружение глубже

Мы можем проверить, как менялись отношения между этими ETF, используя коэффициент Бета. Что это значит, я описываю в этой статье. Грубо говоря, эта метрика показывает, как меняется один актив при изменении второго на 1%. Рассчитаем скользящий бета-коэффициент:

Коэффициент близок к 0, что хорошо. Это означает, что эти ETF подходят для того, чтобы быть в одном портфеле, потому что отношения между ними невелики. Другое дело, что это значение меняется на протяжении всего периода.

Гипотеза

Мы помним, что объединенная волатильность меняется со временем. Второй фактор — Бета, который также непостоянен. Это означает, что доля этих ETF может быть разной в зависимости от рыночных условий.

Основной открытый вопрос: "Есть ли какой-либо подход, который мы можем применить для определения рыночных условий и изменения весов для повышения эффективности?".

Эксперимент

Особенности Инжиниринг

Я думаю, что Beta и Volatility Ratio или расчетные метрики, основанные на их значениях, могут быть хорошими функциями для этого. Кроме того, важна динамика рынка, она позволяет включить в модель движения рынка (например, дневную доходность).

Обычно инвесторы и аналитики используют VIX для принятия решений о рынке. Обычно рост VIX рассматривается как страх рынка. Мы можем добавить эту информацию в список функций.

Таймсерии признаков выглядят так. Я добавляю z-оценку или отклонение от среднего значения некоторых признаков.

Моделирование

Я разделил набор данных на обучающие и тестовые наборы. Дата разделения 2019-03-01, я думаю, 8–9 лет хорошо для учебного процесса, а 2,5–3 года — для тестирования.

Я использую неконтролируемое обучение для создания модели. Это означает, что у нас нет целевых ярлыков. Модель пытается разделить выборки на заранее определенное количество категорий на основе наблюдений. Давайте построим модель, используя скрытые марковские модели с двумя состояниями. Я использую эту модель в своей статье, также я вставил несколько ссылок о теории этой модели.

Серая линия показывает дату разделения поезд-теста.

Давайте интерпретируем состояния. Состояние №0 (красные точки) иллюстрирует условия, когда рынок находится под давлением. Состояние № 1 (зеленые точки) показывает период времени, когда рынок является бычьим.

Количество состояний могло бы быть намного больше, но это слишком усложняет объяснение. Теоретически одно состояние рынка может показывать рынку небольшой страх, второе — эйфорию, третье — панические продажи с высокой волатильностью и так далее.

В этом случае модель решила, что это разделение состояний является лучшим. Я думаю, что такой вывод является здравым смыслом, когда у вас есть только два варианта.

Оптимизация веса

Когда мы получим состояния модели, мы можем сделать шаг оптимизации. Зная информацию о том, какие периоды времени относятся к какому состоянию, мы можем запустить оптимизацию весов для конкретного состояния. Это означает, что мы выбираем метрику (например, коэффициент Сортино в данном случае), затем применяем эксперименты Монте-Карло, чтобы получить наилучшую комбинацию весов для конкретного состояния в наборе поездов.

В этом эксперименте весовые комбинации следующие:

Состояние №0

КККК: 0,44

ТМФ: 0,56

Коэффициент Сортино: 1,95

Состояние 1

КККК: 0,65

ТМФ: 0,35

Коэффициент Сортино: 1,85

Как видим, когда рынок стабилизируется, капитал будет размещен в TMF (облигации). Когда рынок бычий по отношению к TQQQ (акции). Это совершенно логично, потому что при отсутствии риска инвесторы обычно пытаются вложить капитал в активы с низким уровнем риска.

Сравнение результатов

Построим график (в логарифмическом масштабе) доходности этого альтернативного подхода, когда мы ребалансируем портфель при изменении состояния (в дополнение к ежеквартальной ребалансировке). Сравните этот подход с эталонным портфелем (TQQQ 40% и TMF 60%).

CAGR альтернативного портфеля: 48,68%

Максимальная просадка альтернативного портфеля: 37,05%

Коэффициент Сортино альтернативного портфеля: 1,83

CAGR контрольного портфеля: 37,39%

Максимальная просадка эталонного портфеля: 36,8%

Коэффициент Сортино эталонного портфеля: 1,59

Метрики имеют абсолютно лучшие значения при той же просадке, но мы считаем это на всем периоде. Давайте проверим результаты на удержанном (тестовом) наборе данных и сделаем это более статистически.

Я предлагаю сравнить ежедневную доходность альтернативного и эталонного портфелей. Затем проверьте разницу с помощью теста Уилкоксона, чтобы получить важные выводы об исследовании. Альтернативная гипотеза состоит в том, что предлагаемый подход дает большую отдачу.

Среднесуточная разница составляет 0,0006, что означает, что новый подход работает лучше. Значение p статистического теста составляет 0,006, что слишком мало. Мы отвергаем нулевую гипотезу и принимаем альтернативную. Эта разница статистически значима.

Следующий график показывает совокупную дополнительную прибыль. Он рассчитывается как кумулятивная сумма разницы ежедневных доходностей между двумя подходами.

Эта линия растет, что означает, что это хорошо, и у нас есть постоянно опережающий процесс.

Выводы

В этом посте описан альтернативный подход к перебалансировке вашего портфеля с использованием техники машинного обучения и на основе рыночных изменений. Это делает портфель более устойчивым к рыночным шокам.

В итоге мы получили более эффективное портфолио и статистически значимые результаты. Если вы заинтересованы в этом, я бы предложил вам следующее:

  1. Поэкспериментируйте с функциями. Больше рыночных данных, больше макроэкономических показателей.
  2. Экспериментируйте со скрытыми состояниями и интерпретациями.
  3. Экспериментируйте с активами в своем портфеле. Например, добавьте GLD или Crypto Index.
  4. Этот механизм определения состояния рынка может быть полезен и для других целей, таких как предотвращение потери долгосрочных трендовых позиций.
  5. Не забывайте о комиссии, если вы получите несколько состояний. Это означает, что вы будете чаще ребалансировать портфель. Сборы в этом случае более значительны.

Сообщите мне, хотите ли вы ежедневно получать такого рода рыночные состояния в автоматическом режиме.

Отказ от ответственности. Все инвестиционные стратегии и инвестиции сопряжены с риском убытков. Ничто, содержащееся в этой статье, не должно рассматриваться как инвестиционный совет. Любая ссылка на прошлые или потенциальные результаты инвестиций не является и не должна рассматриваться как рекомендация или гарантия какого-либо конкретного результата или прибыли.

Запланируйте сеанс DDIChat по теме Наука о данных / AI / ML / DL:



Эксперты — Data Science / AI / ML / DL — DDIChat
DDIChat позволяет частным лицам и компаниям напрямую общаться с экспертами в предметной области. Это ускоряет консультации…app.ddichat.com



Подать заявку на участие в программе DDIChat Expert можно здесь.