ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ В ОРГАНИЗАЦИОННОЙ СИСТЕМЕ УПРАВЛЕНИЯ АКТИВАМИ: ТЕСТИРОВАНИЕ НА ГЛОБАЛЬНЫХ РЫНОЧНЫХ ИНДЕКСАХ

​MACHINE LEARNING MODELS IN ASSET MANAGEMENT SYSTEMS: A TEST ON GLOBAL MARKET INDICES

Solobuto Aleksei Viktorovich

Graduate student, Moscow University of Finance and Law MFUA, Department of Information Systems and Technologies

Russia, Moscow

АННОТАЦИЯ

Актуальность: Современные финансовые рынки характеризуются высокой волатильностью, сложностью и большими объемами данных, что ограничивает эффективность традиционных подходов к управлению активами. Это создает насущную потребность в применении более совершенных, адаптивных и автоматизированных методов, способных выявлять сложные паттерны и повышать точность инвестиционных решений.

Цель: Комплексное тестирование эффективности различных моделей машинного обучения для их последующей интеграции в организационную систему управления активами. Работа направлена на экспериментальное подтверждение гипотезы о превосходстве ML-моделей над классическими методами на данных глобальных рынков.

Методы: В исследовании применялся сравнительный анализ прогнозной эффективности нескольких популярных алгоритмов машинного обучения, включая линейную регрессию, градиентный бустинг (CatBoost), нейронную сеть, деревья решений, случайный лес. Модели были протестированы на исторических данных ключевых глобальных рыночных индексов, таких как: IMOEX (индекс московской биржи) и S&P Cryptocurrency LargeCap Index (индекс криптовалютных активов). В качестве базового уровня для сравнения использовались традиционные статистические методы, а также методы оценки эффективности портфелей.

Результаты: Эмпирические результаты показали, что почти все протестированные модели машинного обучения превзошли по точности прогнозирования традиционные подходы. Наилучшие результаты продемонстрировали градиентный бустинг и нейронная сеть.

Выводы: Проведенное исследование доказывает, что интеграция моделей машинного обучения в систему управления активами является высокоэффективным подходом. Результаты обосновывают практическую целесообразность внедрения данных методов для автоматизации торговых стратегий, оптимизации портфеля и, как следствие, достижения более высокой инвестиционной доходности при управлении рисками.

ABSTRACT

Relevance: Modern financial markets are characterized by high volatility, complexity, and large volumes of data, which limits the effectiveness of traditional approaches to asset management. This creates a pressing need for the application of more advanced, adaptive, and automated methods capable of identifying complex patterns and improving the accuracy of investment decisions.

Purpose: Comprehensive testing of the effectiveness of various machine learning models for their subsequent integration into an organizational asset management system. The work is aimed at experimentally confirming the hypothesis about the superiority of ML models over classical methods on global market data.

Methods: The study used a comparative analysis of the predictive effectiveness of several popular machine learning algorithms, including linear regression, gradient boosting (CatBoost), neural networks, decision trees, and random forests. The models were tested on historical data of key global market indices, such as: IMOEX (Moscow Exchange index) and S&P Cryptocurrency LargeCap Index (cryptocurrency assets index). Traditional statistical methods, as well as methods for evaluating portfolio efficiency, were used as a baseline for comparison.

Results: Empirical results showed that almost all tested machine learning models outperformed traditional approaches in forecasting accuracy. The best results were demonstrated by gradient boosting and neural networks.

Conclusions: The research conducted proves that the integration of machine learning models into the asset management system is a highly effective approach. The results substantiate the practical feasibility of implementing these methods for automating trading strategies, optimizing portfolios, and, consequently, achieving higher investment returns while managing risks.

Ключевые слова: машинное обучение, рыночные индексы, прогнозные модели, оптимизация портфеля.

Keywords: machine learning, market indices, predictive models, portfolio optimization.

Для проведения сравнительного анализа прогнозной эффективности в данном исследовании были использованы следующие модели машинного обучения: линейная регрессия, градиентный бустинг (CatBoost), нейронная сеть, деревья решений и случайный лес. Наибольшую результативность по итогам тестирования на данных глобальных рыночных индексов (IMOEX и S&P Cryptocurrency LargeCap Index) показали три алгоритма: градиентный бустинг (CatBoost), нейронная сеть и линейная регрессия.

Градиентный бустинг (CatBoost) продемонстрировал исключительную точность в работе с разнородными финансовыми данными, содержащими множество числовых и категориальных признаков. Ключевым преимуществом данной модели является эффективное построение ансамбля последовательных деревьев, которое минимизирует ошибки предыдущих итераций. Это позволяет алгоритму выявлять сложные нелинейные зависимости в данных фондового и криптовалютного рынков, обеспечивая высокую прогнозную способность и устойчивость к переобучению за счет встроенных механизмов регуляризации [1].

Нейронная сеть показала свою эффективность в захвате сложных временных паттернов и неочевидных взаимосвязей в данных рыночных индексов. Благодаря своей способности к автоматическому извлечению признаков и аппроксимации любых непрерывных функций, данная модель оказалась особенно полезна для анализа последовательностей, где традиционные методы оказываются не столь эффективными. Гибкая архитектура сети позволяет адаптироваться к изменяющейся динамике рынка, что делает её мощным инструментом для построения robust-прогнозов [2].

Линейная регрессия, несмотря на свою простоту, продемонстрировала неожиданно высокую эффективность в качестве базового ориентира, а в некоторых случаях - и конкурентоспособные результаты с более сложными алгоритмами. Эта модель оказалась особенно полезной для выявления явных линейных тенденций и в ситуациях, где существует сильная корреляционная зависимость между признаками. Её устойчивость к шуму и прозрачность интерпретации результатов делают линейную регрессию ценным инструментом в арсенале методов прогнозирования, особенно на начальных этапах анализа данных [3].

Для оценки качества моделей использовались метрики оценки качества моделей классификации precision и recall, для каждого класса имеются следующие показатели:

1. True Positives (TPk) — количество объектов, правильно отнесённых к классу Ck.
2. False Positives (FPk) — количество объектов, ошибочно отнесённых к классу Ck
3. False Negatives (FNk) — количество объектов, которые должны были быть отнесены к классу Ck, но были отнесены к другому классу.

На основе полученных значений, precision считается следующим образом (1):

Тогда расчёт recall производится по формуле (2):

По итогу обучения моделей были получены результаты, указанные в таблице 1.

Таблица 1.

Итоговые метрики для моделей поддержки принятия управленческих решений в организационной системе

Для оценки эффективности работы всей системы использовались следующие метрики: индекс Шарпа, индекс Сортино, параметр Beta, параметр Alpha, индекс Кальмара, годовая доходность (CAGR).

Индекс Шарпа измеряет избыточную доходность относительно безрисковой ставки за единицу риска (3):

где: – средняя доходность системы управления активами, R_f – безрисковая ставка доходности (среднегодовая ставка ЦБ для 2023-2024 годов = 13%), σ_p — стандартное отклонение доходности портфеля (волатильность) [4].

Индекс Сортино учитывает только отрицательные колебания доходности (4):

где  — стандартное отклонение отрицательных отклонений доходности от целевой (5):

где R_i — доходность в период i, R_t — целевая доходность (например, безрисковая ставка) [5].

Параметр Beta измеряет чувствительность системы к изменениям рыночного индекса (6):

где R_p — доходность системы управления активами, R_m— доходность рыночного индекса [6].

Alpha показывает избыточную доходность системы управления активами относительно ожидаемой (7):

где R_f— безрисковая ставка, β — риск от использования системы управления активами, R_m — доходность рынка [7].

Годовая доходность (CAGR) вычисляется как среднегеометрическая доходность от работы системы за период (8):

где V_f — конечная совокупная стоимость активов, V_i — начальная совокупная стоимость активов, T — количество периодов.

Индекс Кальмара [8] оценивает доходность относительно максимальной просадки портфеля активов (9):

где Max Drawdown — максимальная просадка портфеля активов за анализируемый период (10):

Для тестирования моделей были подобраны исторические данные по каждому из выбранных индексов за период 2023-2024 годы. Результаты работы моделей будут приведены далее. IMOEX является эталонным индексом российского рынка, который классифицируется как развивающийся. Экономика и рынки развивающихся стран характеризуются. Показатели данного индекса: годовая ожидаемая доходность ≈ 18%, годовая волатильность ≈ 25%. Результаты работы моделей на данном индексе приведены в таблице 2, результаты работы классических моделей приведены в таблице 3.

Таблица 2.

Результаты работы моделей на индексе IMOEX

Таблица 3.

Результаты работы классических моделей на индексе IMOEX

График с куммулятивными доходностями по всем моделям изображен на рисунке 1.

Рисунок 1. График куммулятивных доходностей индекса IMOEX

Выводы по тесту на бумагах индекса мосбиржи:

1. Нелинейные ансамблевые методы (градиентный бустинг, нейросети) превосходят простые линейные и деревья решений по ключевым метрикам риска-доходности.
2.  Высокие значения α и Sharpe указывают, что модели действительно извлекают полезную информацию, а не случайный шум.
3. Дерево решений выступает как негативный контроль: его провал иллюстрирует уязвимость слабых моделей к переобучению.
4. Случайный лес оказался «компромиссным» методом: положительный, но слабый результат — он снижает переобучение дерева, но не достигает гибкости бустинга.

Криптовалюты кардинально отличаются от традиционных активов. Рынок не закрывается, что требует от моделей ML способности работать в непрерывном режиме без пропусков в данных. Гораздо более высокая волатильность, чем на фондовых рынках, создает как огромные риски, так и возможности для прибыли. Это стресс-тест для риск-менеджмента модели. Хотя корреляция иногда возрастает, крипторынок часто движется по своим внутренним законам (новости регуляции, хардфорки, кибератаки), что добавляет в тест уникальный источник риск/доходности. Показатели индикатора: годовая ожидаемая доходность ≈ 40%, годовая волатильность ≈ 70%. Результаты работы моделей на данном индексе приведены в таблице 4, результаты работы классических методов в таблице 5.

Таблица 4.

Результаты работы моделей на S&P Cryptocurrency LargeCap

Таблица 5.

Результаты работы классических моделей на S&P Cryptocurrency LargeCap

График с куммулятивными доходностями по всем моделям изображен на рисунке 2.

S&P Cryptocurrency LargeCap Index (~40%) предлагает значительно более высокую доходность, но с повышенной волатильностью (~55% против 18%). Это приводит к более высоким абсолютным доходностям стратегий но меньшим коэффициентам Шарпа и Калмара из-за увеличенного риска. Тенденции сохраняются: градиентный бустинг показывает лучшие результаты, дерево решений — худшие, а нейронная сеть и нечёткие множества занимают средние позиции. Это подчёркивает важность качества предсказаний в условиях высокой волатильности криптовалютного рынка.

Рисунок 2. График куммулятивных доходностей индекса S&P Cryptocurrency LargeCap

Проведенный вычислительный эксперимент на ретроспективных данных подтвердил эффективность предложенных решений. Тестирование показало, что организационная система демонстрирует устойчивую работу в различных рыночных сценариях и обеспечивает качественное управление активами в условиях, приближенных к реальным. Сравнительный анализ с существующими подходами объективно доказал преимущество разработанной системы. Превышение по ключевым метрикам, таким как риск-скорректированная доходность, коэффициент Шарпа и максимальная просадка, подтверждает научную новизну и практическую ценность исследования.

Список литературы:

1. Солобуто А.В., Павлов В.А. Применение градиентного бустинга для прогнозирования стоимости ценных бумаг // Современная наука: Актуальные проблемы теории и практики. Серия Естественные и Технические Науки. - 2025. - №8. - С. 137-142.
2. Солобуто А.В., Павлов В.А. Применение нейронных сетей для прогнозирования стоимости ценных бумаг // Современная наука: Актуальные проблемы теории и практики. Серия Естественные и Технические Науки. - 2025. - №8. - С. 143-146.
3. Солобуто А.В., Павлов В.А. Сингулярное разложение и линейная регрессия в задаче прогнозирования динамики ценных бумаг // Современная наука: Актуальные проблемы теории и практики. Серия Естественные и Технические Науки. - 2025. - №9. - С. 92-95.
4. William F. Sharpe The Sharpe Ratio // The Journal of Portfolio Management. - 1994. - №448. - С. 24-39.
5. Sortino F.A.; Price L.N Performance measurement in a downside risk framework // Journal of Investing. - 1994. - №8. - С. 59 - 64.
6. Welch, Ivo Simply Better Market Betas // Critical Finance Review. - 2022. - №11. - С. 37-64.
7. Bruce J. Feibel. Investment Performance Measurement. - 6 изд. - New York: Wiley, 2018. - 368 с.
8. Oliver Steinki, Ziad Mohammad Common Metrics for Performance Evaluation: Overview of Popular Performance Measurement Ratios // EVOLUTIQ GmbH. - 2015. - №10. - С. 38-56.