В статье проверяется гипотеза о том, что комбинирование методов фрактального анализа и прогнозирования доходностей акций при помощи LSTM-нейронной сети при формировании инвестиционного портфеля позволяет улучшать его характеристики (соотношение доходности и риска) по сравнению с классическим методом Марковица и фондовым индексом. Исследование проводилось в несколько этапов: отбор активов для включения в портфель; получение прогнозов доходностей активов при помощи LSTM-сетей; формирование оптимального портфеля путем максимизации коэффициента Шарпа; сокращение числа активов в портфеле при помощи фрактального анализа; сравнение полученных портфелей с бенчмарками. В результате выявлено, что наилучшими характеристиками обладает комбинированный портфель, сформированный на базе LSTM-прогнозов и фрактального анализа, что подтверждает гипотезу исследования. Параметры LSTM-портфелей оказались лучше, чем параметры портфелей Марковица из тех же активов. Научная новизна работы состоит в том, что впервые для формирования портфеля применена комбинация нейросетевого прогнозирования и методов фрактального анализа
Идентификаторы и классификаторы
- SCI
- Информатика
В условиях растущей волатильности российского рынка и высокой степени неопределенности, которую приходится учитывать инвесторам в процессе принятия решений, задача эффективного формирования инвестиционного портфеля приобретает все большую актуальность. Классический подход к созданию портфеля, предложенный Г. Марковицем в 1952 г., заключается в составлении математической модели, использующей исторические значения доходности входящих в портфель активов. Основным нововведением тех лет стало применение ковариационной матрицы доходностей различных активов для минимизации риска. Этот подход позволил реализовать эффект диверсификации, снижая совокупный риск портфеля за счет включения в него слабо коррелированных между собой активов.
Список литературы
1. Горобец О. А. Эволюция портфельной теории Г. Марковица // Вектор экономики. 2017. № 3 (9). С. 21-37. EDN: YINGNF
2. Гарафутдинов Р. В. Применение моделей с длинной памятью для прогнозирования доходности при формировании инвестиционных портфелей // Прикладная математика и вопросы управления. 2021. № 2. С. 171-191. DOI: 10.15593/2499-9873/2021.2.10 EDN: ZBDPQG
3. Garafutdinov R. V. An Optimal Investment Portfolio Constructed with Fractal Analysis and Long Memory Models // Lecture Notes in Networks and Systems. 2022. Vol. 342. P. 1116- 1131. DOI: 10.1007/978-3-030-89477-1_99 EDN: ZBDPQG
4. Гарафутдинов Р. В., Гурова Е. П. Об одном подходе к формированию инвестиционного портфеля Марковица с применением фрактального анализа // Финансы и бизнес. 2021. Т. 17, № 1. С. 77-93. DOI: 10.31085/1814-4802-2021-17-1-77-93 EDN: EMIIDK
5. Боброва Е. А., Мазур Л. В., Малащенко В. В. Портфельная теория Марковица в условиях современности // Экономическая среда. 2021. № 2 (36). С. 78-83. DOI: 10.36683/2306-1758/2021-2-36/78-83 EDN: SUGAWR
6. Zhang Z., Zohren S., Roberts S. Deep Learning for Portfolio Optimization // The Journal of Financial Data Science. 2020. Vol. 2, no. 4. P. 8-20. DOI: 10.3905/jfds.2020.1.042
7. Ban G.-Y., Karoui N. E., Lim A. E. B. Machine Learning and Portfolio Optimization // Management Science. 2018. Vol. 64, No. 3. P. 1136-1154. DOI: 10.1287/mnsc.2016.2644
8. Куликов А. В., Полозов Д. С., Волков Н. В. Оптимизация долгосрочного инвестирования на основе диверсификации Марковица // Бизнес-информатика. 2024. Т. 18, № 3. С. 56-69. DOI: 10.17323/2587-814X.2024.3.56.69 EDN: CZQDLE
9. Коновалова М. Е., Абузов А. Ю. Математическая модель оптимизации портфеля инвестиций с учетом риска и финансовых ограничений в управлении предприятием // Фундаментальные исследования. 2024. № 1. С. 20-24. DOI: 10.17513/fr.43551 EDN: GMRZRC
10. Chen W., Zhang H., Mehlawat M. K., Jia L. Mean-variance portfolio optimization using machine learning-based stock price prediction // Applied Soft Computing. 2021. Vol. 100, 106943. DOI: 10.1016/j.asoc.2020.106943 EDN: CMPYVJ
11. Береза Д. А., Ткачев А. Н. Адаптивные процедуры прогнозирования рынка ценных бумаг с применением машинного обучения // Научный альманах Центрального Черноземья. 2022. № 2-9. С. 4-12. EDN: TUGHFB
12. Song D. Portfolio Optimization by LSTM with a Selection of Six Stocks // Advances in Economics Management and Political Sciences. 2023. Vol. 48, no. 1. P. 46-55. DOI: 10.54254/2754-1169/48/20230423 EDN: JHJUSA
13. Ma Y., Han R., Wang W. Portfolio optimization with return prediction using deep learning and machine learning // Expert Systems with Applications. 2021. Vol. 165, 113973. DOI: 10.1016/j.eswa.2020.113973 EDN: TSLLCI
14. Lu Z.Comparison of stock price prediction models for linear models, random forest and LSTM // Applied and Computational Engineering. 2024. Vol. 54, no. 1. P. 226-233. DOI: 10.54254/2755-2721/54/20241598 EDN: GTABKT
15. Симонов П. М., Ахуньянова С. А. Сравнительный анализ методик AR-GARCH и p-адического прогнозирования волатильности финансового рынка // Вестник Пермского университета. Серия “Экономика” = Perm University Herald. Economy. 2019. Т. 14, № 1. С. 69-92. DOI: 10.17072/1994-9960-2019-1-69-92 EDN: ZBKKFF
Выпуск
Другие статьи выпуска
В статье рассмотрены вопросы совершенствования системы управления персоналом в ИТ-компании на основе внедрения цифровых решений. Цель исследования – изучить процессы применения цифровых технологий в эффективной организации отбора персонала в ИТ-компании. Большинство современных организаций стараются повысить конкурентоспособность и быть гибкими к постоянно меняющимся условиям. В этой связи они разрабатывают различные стратегии не только по подбору, но и по удержанию и развитию сотрудников внутри компании, используя современные цифровые технологии, такие как: искусственный интеллект, машинное обучение, аналитику данных и т. д., стремясь перейти к модели «digital-социум». В работе показано, что в зависимости от масштабов деятельности, количества сотрудников и сферы деятельности компании, возможны различные варианты применения цифровых технологий. Однако, несмотря на все различия в профильности компаний и масштабах их деятельности, цифровые инструменты способствуют быстрому и качественному сбору данных, оптимизации обработки и анализу полученных данных, а также определению новых форматов применения инновационных цифровых решений.
Статья посвящена комплексному анализу цифровых решений, применяемых в отрасли физической культуры и спорта в Свердловской области. В процессе исследования анализируются цифровые сервисы, задействованные для реализации цифровой трансформации в этой сфере. Рассматриваются области их использования и цели внедрения в текущие процессы организаций Свердловской области. Методы включали синтез, контент-анализ, анализ вторичных данных, сравнение. Дополнительно применялся метод включенного наблюдения, который позволил выявить условия внедрения новых инструментов цифровизации отрасли. Контент-анализ нормативно-правовых документов, стратегий развития и результатов эмпирических исследований в области физической культуры и спорта позволил определить ключевые направления цифрового взаимодействия участников этого процесса. Результаты исследования могут быть применены для обоснования коррекций процедур внедрения, а также обзора действующих сервисов, относящихся к цифровым инструментам, применяемым в реализации цифровизации отрасли физической культуры и спорта на территории Свердловской области. В свою очередь, данные аспекты влияют на реализацию государственных программ по совершенствованию условий для развития физической культуры и спорта региона при помощи цифровой трансформации отрасли
Развитие процессов цифровизации экономики приводит к изменениям на всех уровнях экономической системы. Цифровизация, по мере своего развития, вызывает цифровую трансформацию не только отдельных бизнес-процессов и компаний, но и экономики в целом – это стратегический фактор экономического развития, который необходимо учитывать при осуществлении управления в экономике. Цифровизация также способствует институциональным изменениям, так, под ее воздействием преобразуются схемы организации рыночного взаимодействия продавцов и покупателей. Одной из новых форм такого взаимодействия являются маркетплейсы, как специальным образом организованные цифровые торговые площадки. Вклад электронной коммерции в целом и маркетплейсов в частности в торговый оборот динамично возрастает и, по прогнозам, будет расти и в среднесрочной перспективе. В статье рассмотрена экономическая природа маркетплейсов, как новых институциональных образований, формирующихся под воздействием цифровизации экономических процессов. Выявлена дуалистическая рыночная сущность маркетплейсов, которые, с одной стороны, способствуют монополизации рынков, с другой, приближают экономику к модели, характеризуемой совершенной рыночной конкуренцией. В результате проведенного анализа даны рекомендации по стратегическому развитию маркетплейсов
Современные предприятия сталкиваются с необходимостью цифровой трансформации для повышения эффективности управления, сокращения издержек и соответствия требованиям регулирующих органов. Одним из ключевых элементов этой трансформации является внедрение систем электронной отчетности, которые позволяют автоматизировать процессы сбора, обработки и передачи данных. В статье рассматриваются преимущества, проблемы и тенденции интеграции электронной отчетности в бизнес-процессы. Методы исследования включали системный и сравнительный анализ, а также эмпирические методы и процессное моделирование. В результате представлен практический кейс внедрения системы электронной отчетности «СБИС Отчетность» на предприятии ООО «ЦЭВР», который может быть полезен для цифровой трансформации организации с целью совершенствования отчетных процессов посредством их автоматизации
Статья посвящена моделированию и анализу динамики показателей животноводства в странах Евразийского экономического союза и Узбекистане на основе официальных статистических данных публикаций Евразийской экономической комиссии и материалов Национального комитета Республики Узбекистан по статистике. Цель работы заключается в выявлении общих и специфических тенденций в развитии отрасли, а также в формировании краткосрочных прогнозов по ключевым показателям животноводства. Методы исследования включали регрессионные модели (линейная, квадратичная, кубическая, экспоненциальная и гиперболическая), для оценки которых рассчитаны коэффициенты детерминации и аппроксимации. В результате по ряду стран построены модели временных рядов для прогнозирования значений на 2024 г. Работа содержит сравнительный анализ полученных моделей по странам и показателям, включая численность поголовья, продуктивность и объемы производства. Полученные результаты позволяют выявить как положительные, так и отрицательные динамики в развитии животноводства, что имеет прикладное значение для органов государственной власти, ответственных за реализацию агропродовольственной политики. Сделанные прогнозы могут быть полезны для обоснования мер поддержки отрасли и долгосрочного планирования. Статья ориентирована на специалистов в области аграрной экономики, прикладной статистики и государственного управления
В статье раскрываются теоретические и прикладные аспекты информационно-аналитической поддержки управления приемной кампанией вуза в условиях цифровой трансформации. Особое внимание уделено возможностям применения интеллектуальных технологий для повышения управляемости процессов набора. Описана модель прогнозирования вероятности зачисления на основе нейросетевых алгоритмов, а также ее архитектурные и интеграционные решения. Представлены ограничения предложенного подхода. Обоснована актуальность использования подобных инструментов для повышения прозрачности и эффективности образовательного менеджмента. В результате эффективность модели подтверждена высокими значениями точности классификации и ROC-AUC, что демонстрирует ее прикладной потенциал в рамках реальных приемных кампаний
Издательство
- Издательство
- УрГЭУ
- Регион
- Россия, Екатеринбург
- Почтовый адрес
- 620144, Уральский ФО, Свердловская область, г. Екатеринбург, ул. 8 Марта/Народной Воли, д. 62/45
- Юр. адрес
- 620144, Уральский ФО, Свердловская область, г. Екатеринбург, ул. 8 Марта/Народной Воли, д. 62/45
- ФИО
- Силин Яков Петрович (РЕКТОР)
- E-mail адрес
- odo@usue.ru
- Сайт
- https://www.usue.ru/