Автор: Денис Аветисян
Новое исследование показывает, что информация с американского рынка более ценна для прогнозирования доходности китайских акций, чем наоборот.
Предложенный подход на основе направленных двудольных графов и машинного обучения позволяет повысить точность межрыночного прогнозирования доходности.
Несмотря на растущую глобализацию финансовых рынков, прогнозирование трансграничной доходности остается сложной задачей. В работе ‘A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting’ предложен новый подход, использующий структуру двудольного графа для моделирования взаимосвязей между акциями американского и китайского рынков. Полученные результаты указывают на выраженную асимметрию: информация о доходности американских акций обладает значительно большей прогностической силой для китайского рынка, чем наоборот. Способны ли подобные структурированные методы машинного обучения выявить скрытые зависимости и повысить эффективность трансграничных инвестиционных стратегий?
Понимание Непредсказуемости: Вызовы Прогнозирования на Финансовых Рынках
Точность прогнозирования фондового рынка традиционно сталкивается с серьезными трудностями, обусловленными не стационарностью данных и сложными взаимосвязями между различными факторами. Не стационарность означает, что статистические свойства временных рядов, таких как среднее значение и дисперсия, изменяются во времени, что делает невозможным применение традиционных статистических моделей, основанных на предположении о постоянстве этих характеристик. К тому же, на динамику рынка влияет огромное количество факторов — от макроэкономических показателей и политических событий до настроений инвесторов и психологических эффектов, которые часто взаимодействуют нелинейным образом. Эта комплексная сеть зависимостей затрудняет выявление причинно-следственных связей и создание надежных прогностических моделей, требующих учета множества переменных и их сложных взаимодействий.
Традиционные модели прогнозирования фондового рынка зачастую оказываются неспособны адекватно учитывать влияние глобальных финансовых потоков, что существенно снижает точность прогнозов. Эти модели, как правило, ориентированы на анализ внутренних факторов отдельного рынка, игнорируя или недооценивая взаимосвязи с другими странами и регионами. В результате, неожиданные события в одной части мира, такие как изменения процентных ставок в США или политическая нестабильность в Европе, могут приводить к значительным колебаниям на других рынках, которые не отражаются в прогнозах, построенных на устаревших методиках. Ограниченность данных и сложность количественной оценки этих взаимосвязей затрудняют создание надежных прогностических инструментов, подчеркивая необходимость разработки новых подходов, учитывающих глобальную взаимозависимость финансовых систем.
Современные финансовые системы характеризуются высокой степенью взаимосвязанности, что делает влияние рынков друг на друга — так называемые кросс-рыночные эффекты — ключевым фактором, определяющим точность прогнозов. Исследования показывают, что игнорирование этих взаимосвязей приводит к существенным ошибкам в моделях предсказания, поскольку локальные факторы уже не способны полностью объяснить динамику цен. Для повышения прогностической силы необходимо учитывать, как события и тенденции на одном рынке распространяются и влияют на другие, используя комплексные модели, способные улавливать эти сложные зависимости и обеспечивать более реалистичную оценку рисков и возможностей на глобальных финансовых площадках.
Двудольный Граф: Моделирование Взаимосвязей между Рынкам
Для моделирования взаимосвязей между акциями США и Китая предлагается представление в виде двудольного графа. В данной структуре, один набор вершин представляет американские акции, а другой — китайские. Ребра между вершинами отражают статистически значимые корреляции между доходностями этих активов. Использование двудольного графа позволяет явно визуализировать и количественно оценить перекрестные связи между двумя рынками, что способствует построению моделей прогнозирования доходности китайских акций на основе данных американского рынка. Веса ребер, как правило, определяются на основе коэффициентов корреляции или коинтеграции, рассчитанных для исторических данных. Такая модель позволяет идентифицировать ключевые американские акции, оказывающие наибольшее влияние на динамику китайского рынка.
Предлагаемая структура расширяет концепцию ориентированного графа за счет явного представления межрыночных связей, что позволяет выявлять прогностические сигналы. В отличие от традиционных моделей, где связи обычно рассматриваются внутри одного рынка, наша структура моделирует взаимовлияние между американскими и китайскими акциями. Каждая вершина графа представляет отдельную акцию (либо из США, либо из Китая), а направленные ребра указывают на потенциальное влияние одной акции на другую. Анализ структуры и весов этих ребер позволяет определить, какие американские акции оказывают наиболее значимое влияние на будущую доходность китайских акций, и, наоборот. Это позволяет создавать более точные прогностические модели, учитывающие взаимосвязанность глобальных финансовых рынков.
Для динамического выбора наиболее релевантных американских акций, используемых для прогнозирования доходности китайского рынка, применяется метод скользящего окна. Этот подход предполагает последовательное рассмотрение временных периодов фиксированной длины (окна), перемещающихся во времени. Внутри каждого окна производится отбор акций на основе статистических показателей корреляции с будущей доходностью китайского рынка. Последовательная переоценка и обновление набора отобранных акций в каждом временном окне позволяет адаптироваться к изменяющимся рыночным условиям и учитывать временную зависимость между американским и китайским рынками. Размер окна и критерии отбора акций калибруются на исторических данных для оптимизации точности прогнозирования.
Машинное Обучение и Прогностическая Сила Предыдущих Возвратов
Для прогнозирования внутридневной доходности (OPCLReturns) была реализована серия моделей машинного обучения, включающая в себя линейную регрессию (OLS), LASSO, Ridge регрессию, метод опорных векторов (SVM), градиентный бустинг (XGBoost, LGBM), случайный лес (RF) и AdaBoost. Использование разнообразных алгоритмов позволило оценить эффективность каждого из них в предсказании краткосрочной динамики цен, а также выявить наиболее подходящие модели для дальнейшей оптимизации стратегий торговли. Результаты, полученные с использованием различных моделей, сравнивались по таким метрикам, как коэффициент Шарпа и точность прогнозирования, что позволило определить наилучшие подходы к моделированию внутридневной доходности.
Анализ показал, что предыдущие дневные изменения цен закрытия (pvCLCLReturns) являются сильными предикторами будущих изменений. Это подтверждает ценность использования исторических данных при построении моделей прогнозирования. В частности, модели, включающие данные о предыдущих дневных изменениях цен, демонстрируют более высокую точность прогнозирования по сравнению с моделями, не использующими эту информацию. Эффект от использования pvCLCLReturns стабилен во всех рассмотренных квантилях и моделях машинного обучения, что подчеркивает его универсальность и значимость для улучшения результатов прогнозирования.
Результаты моделирования демонстрируют, что использование исторических данных о доходности активов США в графовой модели значительно повышает ее прогностическую способность. Во всех, за исключением небольшого числа квантилей, рассчитанные коэффициенты Шарпа превышают значение 1.0, что свидетельствует о положительном отношении риска к доходности. Это указывает на то, что включение данных о доходности активов США позволяет получать статистически значимые и положительные результаты прогнозирования, улучшая эффективность графовой модели по сравнению с ее использованием без учета этих данных.
Эффективность представленных моделей машинного обучения, используемых для прогнозирования доходности, напрямую зависит от структуры двудольного графа, отражающего взаимосвязи между рынками. Структура графа определяет, какие межрыночные связи учитываются при формировании прогнозов. Более сложные и точно отражающие реальные взаимосвязи структуры графа, как правило, приводят к повышению точности прогнозов и, следовательно, к улучшению финансовых показателей, таких как коэффициент Шарпа. Использование двудольного графа позволяет моделировать влияние доходности на одном рынке на доходность другого, учитывая как прямые, так и опосредованные взаимосвязи между активами различных рынков.
Оценка Эффективности и Секторальные Инсайты
Оценка эффективности модели проводилась с использованием коэффициента Шарпа, который представляет собой меру доходности с поправкой на риск. Этот показатель позволяет определить, насколько адекватна полученная прибыль по отношению к принятым рискам. \text{Sharpe Ratio} = \frac{R_p - R_f}{\sigma_p} , где R_p — средняя доходность портфеля, R_f — безрисковая ставка доходности, а \sigma_p — стандартное отклонение доходности портфеля. Высокий коэффициент Шарпа указывает на то, что инвестор получает значительную компенсацию за принятый риск, что делает модель привлекательной для практического применения и дальнейшего анализа.
Анализ демонстрирует, что при повышенной волатильности на рынке США, особенно в верхних квартилях распределения (qr4-qr6), достигаются значения коэффициента Шарпа, превышающие 1.0. Это указывает на значительное увеличение предсказательной силы модели в периоды рыночной активности. Фактически, в условиях повышенной неопределенности и колебаний, способность модели выявлять закономерности и прогнозировать будущие изменения существенно возрастает, что позволяет формировать инвестиционные стратегии с более высокой доходностью, скорректированной на риск. Такая закономерность подчеркивает важность учета рыночной динамики при оценке эффективности прогностических моделей и разработке торговых алгоритмов.
Анализ секторов в рамках бипартитного графа позволил выявить каналы передачи информации между различными рынками. Исследование показало, что взаимодействие между секторами не является случайным, а структурировано, что позволяет отслеживать, как изменения в одном секторе влияют на другие. В частности, выявлены ключевые связи, по которым информация о рыночных тенденциях распространяется, позволяя прогнозировать изменения в смежных отраслях. Этот подход демонстрирует, что рынки функционируют как сложные сети, где информация циркулирует по определенным каналам, и понимание этих каналов является критически важным для эффективного анализа и прогнозирования.
Анализ межрыночных взаимосвязей выявил особенно выраженные прогностические эффекты в технологическом и секторе товаров повседневного спроса. В этих сегментах, при оценке с использованием коэффициента Шарпа, достигаются значения, превышающие 1.0, что свидетельствует о высокой доходности с учетом принятых рисков. Данный результат указывает на то, что информация, циркулирующая между рынками, оказывает существенное влияние на динамику цен в этих отраслях, предоставляя возможности для повышения точности прогнозирования и оптимизации инвестиционных стратегий. В частности, наблюдается, что изменения на одном рынке могут служить предвестниками изменений в другом, позволяя инвесторам более эффективно реагировать на рыночные тенденции и потенциально получать повышенную прибыль.
Анализ данных демонстрирует, что использование межрыночного подхода способно значительно повысить точность прогнозов и эффективность инвестиционных стратегий. Исследование выявило, что сопоставление информации, циркулирующей между различными рынками, позволяет более адекватно оценивать риски и потенциальную доходность активов. В частности, обнаружены сильные взаимосвязи в технологическом и потребительском секторах, где применение межрыночного анализа приводит к получению показателей Шарпа, превышающих единицу, что свидетельствует о повышенной предсказательной способности в данных секторах. Данные результаты подтверждают перспективность интеграции межрыночного анализа в существующие модели прогнозирования и разработки новых, более эффективных инвестиционных стратегий, способных приносить стабильную прибыль даже в условиях повышенной волатильности рынка.
Исследование демонстрирует асимметрию в информационном потоке между рынками США и Китая, подчеркивая превосходство американских данных в прогнозировании доходности китайских акций. Этот подход, основанный на построении направленных двудольных графов и применении методов машинного обучения, стремится к упрощению сложной взаимосвязи между финансовыми рынками. Как заметил Джон фон Нейманн: «В науке нет места для скромности, только для точности». Эта фраза отражает суть работы: отказ от излишней сложности в пользу четкого и лаконичного представления информации, необходимого для эффективного прогнозирования и принятия решений.
Куда же дальше?
Представленная работа, хоть и демонстрирует превосходство информации с американского рынка для прогнозирования китайских доходностей, лишь приоткрывает дверь в сложный лабиринт взаимосвязей. Утверждение об асимметрии информационного потока — не окончательный приговор, а скорее приглашение к более глубокому исследованию причинно-следственных связей. В конце концов, предсказание — это всегда упрощение, а реальность всегда упрямо отказывается быть предсказуемой.
Перспективы очевидны: необходимо выйти за рамки простых графов. Введение временных задержек, учет нелинейных зависимостей, а также интеграция альтернативных источников данных — все это может значительно улучшить точность прогнозов. Однако, не стоит забывать о главной опасности — переобучении. Чем сложнее модель, тем больше вероятность, что она улавливает лишь шум, а не истинные закономерности. Помните: элегантность — в простоте.
В конечном счете, задача состоит не в создании идеального предсказателя, а в понимании фундаментальных принципов, управляющих рынками. Иногда, самый ценный результат — это осознание границ собственных возможностей. Ведь признание незнания — первый шаг к мудрости.
Оригинал статьи: https://arxiv.org/pdf/2603.10559.pdf
Связаться с автором: https://www.linkedin.com/in/avetisyan/
Смотрите также:
- БИТКОИН ПРОГНОЗ. BTC криптовалюта
- ПРОГНОЗ ДОЛЛАРА К ШЕКЕЛЮ
- MYX ПРОГНОЗ. MYX криптовалюта
- ЭФИРИУМ ПРОГНОЗ. ETH криптовалюта
- SOL ПРОГНОЗ. SOL криптовалюта
- Золото прогноз
- ПРОГНОЗ ДОЛЛАРА К ЗЛОТОМУ
- ДОГЕКОИН ПРОГНОЗ. DOGE криптовалюта
- SAROS ПРОГНОЗ. SAROS криптовалюта
- РИППЛ ПРОГНОЗ. XRP криптовалюта
2026-03-12 06:57