Оптимизация портфеля по среднему и дисперсии с использованием предсказания цен криптовалют на основе ансамблевого обучения

Успех формирования портфеля в значительной степени зависит от точного прогнозирования будущей доходности активов. Достижения в области машинного обучения открывают существенные возможности для интеграции теории прогнозирования в отбор активов для портфеля. Однако некоторые исследования указывают, что опора на одиночную модель прогнозирования может приводить к смещённым прогнозам или неоптимальным результатам портфеля из‑за присущих отдельным алгоритмам ограничений и допущений. В настоящем исследовании предлагается подход ансамблевого обучения для оптимизации портфеля, представляющий собой двухэтапную методологию, объединяющую современные аналитические методы прогнозирования и классические модели среднее-дисперсионной (MV) оптимизации. Для этого семь моделей машинного обучения, включая LSTM (long short-term memory), BLSTM (bidirectional LSTM), GRU (gated recurrent unit), DMLP (deep multilayer perceptron), RF (random forest), XGBoost и SVR (support vector regression), комбинируются с помощью ансамблевых методов, таких как гребневая регрессия (ridge regression, RR) и регрессия по главным компонентам (principal component regression, PCR). Затем полученные прогнозы интегрируются в MV-фреймворк для оптимизации распределения активов с целью эффективного балансирования риска и доходности. Эмпирический анализ ведущих криптовалют показал, что ансамблевое обучение повышает точность прогнозов. Более того, интеграция результатов прогнозирования с MV-фреймворком превзошла традиционные подходы по показателям скорректированной на риск доходности и стабильности портфеля.