Ранжирование криптовалют: нейросеть для эффективного портфеля

Автор: Денис Аветисян

Новый алгоритм машинного обучения предсказывает перспективность криптовалют, позволяя оптимизировать портфель и превзойти традиционные стратегии.

Многослойный персептрон, функционируя как алгоритм торговли, демонстрирует кумулятивное накопление капитала, превосходящее эталонный индекс UCRP и формируя избыточную доходность (альфа), что указывает на его эффективность в генерации прибыли за счёт анализа рыночных данных.

В статье представлена методика управления портфелем криптовалют, основанная на ранжировании активов с использованием нейронных сетей и кросс-секционного анализа.

🐢

Ищешь ракеты? Это не к нам. У нас тут скучный, медленный, но надёжный, как швейцарские часы, фундаментальный анализ.

Бесплатный Телеграм канал

Несмотря на растущую популярность криптовалютного рынка, эффективное управление портфелем активов остается сложной задачей. В данной работе, посвященной теме ‘Long-only cryptocurrency portfolio management by ranking the assets: a neural network approach’, предложен новый метод машинного обучения, основанный на прогнозировании относительного ранга будущей доходности криптовалют. Эксперименты с реальными данными за период с мая 2020 по ноябрь 2023 года показали, что разработанный алгоритм превосходит существующие стратегии, достигая коэффициента Шарпа в 1.01 и годовой доходности 64.26%. Возможно ли дальнейшее повышение эффективности портфельного управления за счет интеграции более сложных моделей и учета дополнительных факторов?

Теория портфеля и предсказание: Основы взлома рынка

В основе современного формирования инвестиционного портфеля лежит теория Марковица и современная портфельная теория, стремящиеся к достижению максимальной доходности при заданном уровне риска. Данный подход предполагает, что инвестор, стремящийся к оптимальному распределению капитала, должен учитывать не только ожидаемую доходность каждого актива, но и степень его волатильности, а также корреляцию между активами. Оптимальное портфельное распределение, вычисляемое на основе этих параметров, формирует так называемую «эффективную границу», представляющую собой набор портфелей с наилучшим соотношением доходности и риска. Таким образом, процесс формирования портфеля направлен на выбор комбинации активов, обеспечивающей максимальную ожидаемую доходность для каждого уровня риска, или, наоборот, минимальный риск при заданном уровне доходности. Данный подход, хотя и требует точного прогнозирования параметров активов, позволяет существенно повысить эффективность инвестиций по сравнению со случайным распределением капитала.

Прогнозирование доходности активов является краеугольным камнем современной теории портфеля, однако представляет собой сложную задачу, требующую применения передовых методологий. Точность предсказаний напрямую влияет на эффективность формирования инвестиционного портфеля и максимизацию доходности при заданном уровне риска. Традиционные статистические модели зачастую оказываются недостаточными для учета нелинейных зависимостей и волатильности финансовых рынков, что обуславливает необходимость использования более сложных подходов, таких как машинное обучение и нейронные сети. Разработка и применение этих методов требуют не только глубоких математических знаний, но и понимания специфики поведения различных финансовых инструментов и макроэкономических факторов, оказывающих влияние на их доходность. Эффективное прогнозирование, таким образом, представляет собой многодисциплинарную задачу, объединяющую статистику, экономику и компьютерные науки.

Коэффициент Шарпа является ключевым показателем оценки эффективности инвестиций с учётом риска, напрямую зависящим от понимания волатильности активов. Данный показатель позволяет инвесторам сопоставить доходность инвестиций с уровнем принятого риска, предоставляя более объективную картину, чем просто анализ доходности. Например, стратегия «Купи и держи» (Buy-and-Hold, BAH) обычно демонстрирует коэффициент Шарпа около 0.83, что указывает на достаточно высокую доходность на единицу риска. Более высокий коэффициент Шарпа свидетельствует о лучшей эффективности инвестиций, поскольку указывает на большую доходность при том же уровне риска или на меньший риск при той же доходности. Понимание волатильности активов, измеряемой стандартным отклонением, критически важно для точного расчета коэффициента Шарпа и, следовательно, для принятия обоснованных инвестиционных решений.

Машинное обучение: Новые инструменты для построения портфеля

В настоящее время методы машинного обучения все шире применяются для повышения точности прогнозирования доходности и, как следствие, улучшения показателей инвестиционного портфеля. Традиционные статистические модели часто не способны эффективно обрабатывать нелинейные зависимости и большие объемы данных, характерные для финансовых рынков. Алгоритмы машинного обучения, такие как нейронные сети и случайные леса, способны выявлять сложные закономерности и взаимосвязи, что позволяет более точно предсказывать будущую доходность активов. Это, в свою очередь, позволяет оптимизировать состав портфеля для достижения целевых показателей доходности при заданном уровне риска, а также снизить волатильность и повысить устойчивость к рыночным колебаниям. Эффективность применения машинного обучения подтверждается результатами эмпирических исследований и практическим опытом применения в инвестиционных компаниях.

Для моделирования сложных финансовых данных применяются различные методы машинного обучения, включая нейронные сети, случайный лес, XGBoost и k-ближайших соседей. Нейронные сети, благодаря своей способности к нелинейному моделированию, эффективны при выявлении сложных взаимосвязей в данных. Случайный лес, представляющий собой ансамбль решающих деревьев, обеспечивает высокую точность и устойчивость к переобучению. XGBoost, являясь градиентным бустингом, оптимизирован для скорости и производительности, особенно при работе с большими наборами данных. Алгоритм k-ближайших соседей, основанный на поиске схожих объектов, прост в реализации и эффективен для задач классификации и регрессии, хотя его производительность может снижаться при увеличении размерности данных. Выбор конкретного метода зависит от специфики данных и целей моделирования.

Временная свертка графов (Temporal Graph Convolution, TGC) использует сетевые структуры для моделирования эволюции взаимосвязей между акциями во времени, обеспечивая более детальные прогностические возможности. В отличие от традиционных методов, которые рассматривают акции изолированно или используют статические корреляции, TGC динамически учитывает изменения в сетевых связях. Это достигается путем представления рынка как графа, где узлы — акции, а ребра — взаимосвязи между ними. Модель TGC обрабатывает последовательные снимки этого графа, используя сверточные операции для агрегации информации от соседних узлов с учетом временной зависимости. Применение TGC позволяет учитывать не только текущие цены и объемы, но и исторические изменения в сетевой структуре, что повышает точность прогнозирования и позволяет выявлять сложные зависимости между активами, недоступные для традиционных методов анализа.

Методы машинного обучения все чаще применяются для прогнозирования относительного рейтинга активов, направленных на выявление активов, потенциально демонстрирующих опережающую динамику. В частности, в криптовалютных рынках, алгоритмы машинного обучения, ориентированные на предсказание рангов, показали результативность, превосходящую существующие торговые алгоритмы. Данный подход позволяет не просто предсказывать абсолютную доходность, а оценивать вероятность того, что конкретный актив превзойдет другие, что особенно важно в условиях высокой волатильности и конкуренции на криптовалютном рынке. Эффективность таких систем подтверждается эмпирическими данными и статистическим анализом результатов торгов.

Стратегии портфеля и практические аспекты: Взгляд изнутри системы

Универсальная портфельная стратегия представляет собой общий подход к управлению инвестиционным портфелем, базирующийся на принципах современной теории портфеля (Modern Portfolio Theory, MPT). MPT предполагает, что диверсификация активов, отобранных на основе их математической корреляции и ожидаемой доходности, позволяет оптимизировать соотношение риска и доходности. В рамках данной стратегии, формирование портфеля осуществляется на основе оценки ковариационной матрицы активов и построения эффективной границы, определяющей оптимальные комбинации активов при заданном уровне риска или ожидаемой доходности. Ключевым элементом является расчет оптимальных весов каждого актива в портфеле, минимизирующих риск при заданном уровне доходности или максимизирующих доходность при заданном уровне риска, используя математические модели и статистический анализ данных.

Существуют различные стратегии управления портфелем, расширяющие базовую структуру Universal Portfolio. К ним относятся стратегии «Buy and Hold» (покупка и удержание), подразумевающая долгосрочное владение активами без регулярных изменений; «Constant Rebalancing Portfolio» (постоянная ребалансировка), предполагающая периодическое восстановление исходного распределения активов; «Exponential Gradient Algorithm» (экспоненциальный градиентный алгоритм), использующий взвешенное среднее прошлых результатов для определения текущих инвестиций; и «Anti-Correlation Algorithm» (антикорреляционный алгоритм), направленный на создание портфеля из активов с низкой или отрицательной корреляцией для снижения общего риска. Каждая из этих стратегий имеет свои особенности и подходит для различных инвестиционных целей и рыночных условий.

Стратегии формирования портфеля, основанные исключительно на покупке активов («Long-Only»), являются распространенной практикой. Однако, при реализации таких стратегий, особенно в отношении криптовалют, необходимо учитывать транзакционные издержки. Высокая волатильность и комиссии на биржах криптовалют могут существенно снизить общую доходность портфеля, особенно при частых операциях ребалансировки. Поэтому, при построении Long-Only портфелей с участием криптовалют, необходимо тщательно оценивать размер комиссий и частоту совершения сделок для минимизации негативного влияния транзакционных издержек на итоговую прибыль.

Эмпирическая валидация продемонстрировала потенциал разработанных стратегий для достижения превосходной доходности с учетом риска. В ходе тестирования стратегии, основанные на машинном обучении, показали коэффициент Шарпа, превышающий 0.79. Данный показатель превосходит результат стратегии «следования за лидером», достигшей значения 0.86, и опережает информационное соотношение (Information Ratio) стратегии Constant Rebalancing Portfolio (BCRP), которое составило 0.61, в то время как наша стратегия достигла значения 0.61.

Предложенный подход к управлению криптовалютным портфелем, основанный на предсказании рангов активов с использованием нейронных сетей, демонстрирует стремление к пониманию внутренней логики рынка. Это напоминает о словах Алана Тьюринга: «Иногда люди, которые кажутся сумасшедшими, на самом деле видят вещи, которые другие не видят.» Подобно тому, как Тьюринг стремился расшифровать закодированные сообщения, данное исследование пытается взломать систему оценки криптовалют, выявляя скрытые закономерности и предсказывая будущие позиции активов. Успешное ранжирование, как ключевой аспект предложенного алгоритма, представляет собой своего рода ‘exploit of insight’, позволяющий обойти традиционные методы оптимизации портфеля и достичь превосходных результатов.

Куда же дальше?

Предложенный подход, использующий нейронные сети для ранжирования криптовалютных активов, демонстрирует потенциал, но не решает фундаментальную проблему: предсказание будущего всегда остается лишь приближением. Ранжирование — это, по сути, попытка навести порядок в хаосе, но хаос, как известно, имеет собственную логику, которую пока не удается полностью дешифровать. Успех алгоритма, несомненно, зависит от качества данных и архитектуры сети, однако, истинная проверка наступит лишь в условиях реальной, непредсказуемой рыночной динамики.

Дальнейшие исследования неизбежно должны быть направлены на преодоление ограничений, связанных с волатильностью и нелинейностью крипторынка. Интересным направлением представляется интеграция алгоритма с другими методами анализа — фундаментальным, техническим, и даже с анализом настроений в социальных сетях. Попытка построить “всевидящее око”, объединяющее различные источники информации, может привести к более устойчивым и эффективным стратегиям управления портфелем.

В конечном счете, представленная работа — это еще один шаг в постоянном процессе “взлома” финансовой системы. И если алгоритм действительно способен превзойти традиционные подходы, то это лишь подтверждает старую истину: правила существуют, чтобы их нарушать, а системы — чтобы их переосмысливать. Истинный прогресс заключается не в совершенствовании существующих инструментов, а в создании принципиально новых.

Оригинал статьи: https://arxiv.org/pdf/2512.08124.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-10 12:59