Аргументы в пользу инвестирования в акции с низким уровнем риска: данные за 2011-2025 годы
Raul Leote de Carvalho (BNP Paribas), et al.
Июль 2025
В этом документе исследуется эффективность стратегий с низким уровнем риска акций с 2011 года, подчеркивая их способность обеспечивать высокую доходность с поправкой на риск в различных рыночных условиях. Мы вводим составную оценку риска, которая выходит за рамки волатильности и демонстрирует ее эффективность с помощью эмпирического анализа. В исследовании сравниваются структуры портфелей, изучаются эффекты на уровне секторов и оценивается подверженность факторам Фама-Франса. Результаты подтверждают сохранение аномалии с низким уровнем риска и присутствие альфа-коэффициента, необъяснимого традиционной премией за риск, что подтверждает аргументы в пользу включения стратегий с низким риском в долгосрочные портфели акций.

Прогнозирование глобальных финансовых кризисов с помощью настроений и экономических сигналов на основе искусственного интеллекта
Леопольдо Маццилли (независимый исследователь)
Август 2025
В этой статье предлагается новая структура прогнозирования глобальных финансовых кризисов за счет интеграции анализа настроений на основе искусственного интеллекта с традиционными макрофинансовыми показателями. Используя большие языковые модели и алгоритмы машинного обучения, мы извлекаем сигналы об общественных настроениях из неструктурированных цифровых источников, таких как социальные сети, финансовые новости и комментарии экспертов, и объединяем их со структурированными переменными, такими как разрывы между кредитами и ВВП, кривые доходности и волатильность рынка. Мы строим составные индексы настроений и вводим их в ансамблевую модель, которая включает архитектуры XGBoost и LSTM, генерируя динамическую оценку кризисного риска (CRS). Эта система демонстрирует сильные возможности прогнозирования во время крупных исторических кризисов, включая финансовый кризис 2007-2009 годов, шок COVID-19 2020 года и недавние сбои в работе банков, превосходя традиционные эконометрические модели. Наши результаты показывают, что настроения могут выступать в качестве прогнозного индикатора системного риска, особенно в сочетании с фундаментальными экономическими показателями. Этот междисциплинарный подход способствует более глубокому пониманию финансовой нестабильности и предлагает практические инструменты для центральных банков, регулирующих органов и институциональных инвесторов, которым нужны возможности раннего предупреждения.

Распределение стратегического стиля: абсолютное или относительное?
Пим ван Влит (Robeco Quantitative Investments)
Сентябрь 2025
В этой статье исследуется, как инвесторы могут стратегически распределять акции по типам акций в зависимости от их цели: абсолютная доходность или доходность по отношению к бенчмарку. Защитные факторы улучшают коэффициенты Шарпа в течение полных циклов, но сопровождаются более высоким относительным риском и более слабыми информационными коэффициентами. Напротив, стратегии, ориентированные на бенчмарки, больше всего выигрывают от факторов, ориентированных на доходность. Динамическое распределение редко переживает затраты и требует необычайно высокого мастерства. Наиболее эффективным подходом является интеграция: объединение нескольких факторов и краткосрочных сигналов в рамках одной структуры снижает риск выбора времени, снижает оборот и улучшает соотношения Шарпа и информации. Эти результаты демонстрируют, как комбинации факторов могут быть адаптированы для достижения различных инвестиционных целей, как абсолютных, так и относительных.

Прогнозирование экстремальной доходности с помощью фундаментальных основ: подход машинного обучения
Ричард Ван и И Лю (Университет Святого Джона Фишера)
Сентябрь 2025
В данной статье исследуется, могут ли фундаментальные показатели бухгалтерского учета и рыночные переменные предсказать экстремальную доходность акций – большие прибыли («ракеты») и серьезные убытки («торпеды») – на горизонте до трех лет. Опираясь на двухступенчатую контекстуальную схему Beneish et al. (2001), мы применяем восемь алгоритмов машинного обучения, чтобы сначала отличить экстремальные фирмы от нормальных, а затем отделить ракеты от торпед. Используя 45 бухгалтерских и рыночных предикторов, модели достигают высокой предсказательной эффективности, при этом XGBoost постоянно превосходит другие, а Random Forest отстает. Вневыборочные тесты на американских акциях в период с 2013 по 2025 год показывают, что прогнозируемые ракеты приносят неуклонно растущую аномальную доходность, в то время как торпеды постоянно отстают. Спред между двумя группами превышает 100% в течение 750 торговых дней и остается устойчивым по всем порогам вероятности, основанным на пятифакторной скорректированной кумулятивной аномальной доходности по методу Фама-Френч. Исследование вносит свой вклад в литературу, интегрируя современные алгоритмы машинного обучения в двухступенчатую структуру, используя широкий набор фундаментальных предикторов и расширяя горизонты прогнозирования экстремальной доходности до долгосрочной перспективы.

О макроэкономических основах зоопарка аномалий
Майкл С. О’Доэрти (Университет Миссури в Колумбии) и др.
Август 2025
Мы применяем современные методы ценообразования активов, которые позволяют свести к минимуму пропущенные переменные и мерыПогрешности для оценки премии за риск для 190 потенциальных макроэкономических факторов с использованием широкого среза портфелей в стиле акций. Более 40 макроэкономических факторов несут в себе статистически значимую премию за риск. Модели, включающие торгуемые портфели имитации для этих факторов, часто превосходят ведущие многофакторные модели в объяснении аномалий CAPM. Наши результаты показывают тесную связь между экономическими колебаниями и ценами на активы, причем эмпирически наиболее впечатляющие факторы связаны с агрегатами NIPA и активностью на рынке жилья.

Выбор переменных для портфелей с минимальной дисперсией
Guilherme V. Moura (Федеральный университет Санта-Катарина) и др.
Август 2025
Методы машинного обучения (ML) успешно используются для определения переменных, которые могут предсказать премию по отдельным акциям. В этой статье мы исследуем, может ли машинное обучение быть полезным при выборе переменных, имеющих отношение к оптимальному выбору портфеля. Чтобы ответить на этот вопрос, мы параметризуем веса портфеля с минимальной дисперсией как функцию большого пула характеристик на уровне фирмы, а также их преобразований второго порядка и кросс-продукта, в результате чего получаем в общей сложности 4610 предикторов. Мы обнаружили, что выгоды от использования машинного обучения для выбора релевантных предикторов существенны: портфели с минимальной дисперсией достигают более низкого риска по сравнению с редкими спецификациями, обычно рассматриваемыми в литературе, особенно когда в пространство предикторов добавляются нелинейные члены. Более того, некоторые из выбранных предикторов, которые помогают снизить риск портфеля, также увеличивают доходность, что приводит к созданию портфелей с минимальной дисперсией и хорошими показателями с точки зрения коэффициентов формы в некоторых ситуациях. Наши данные свидетельствуют о том, что ситуативная разреженность может негативно сказаться на производительности портфелей, основанных на характеристиках минимальной дисперсии.

Научитесь использовать R для анализа портфеля
Количественная аналитика инвестиционного портфеля в R:
Введение в R для моделирования риска и доходности портфеля
Автор: Джеймс Пичерно