Идентификация латентных кластеров инвестиционных продуктов по факторам риска с использованием методов машинного обучения на российском фондовом рынке

Предмет. В статье исследуется латентная структура профилей риска розничных инвестиционных продуктов. Цели. Цель статьи — выявить устойчивые кластеры на основе многомерных метрик риска, отражающих потенциальные годовые убытки инвесторов. Методы. Анализ основан на скользящей выборке с окнами по 60 дней для каждого фонда, что позволяет учитывать временную динамику риска. Для каждого окна рассчитываются следующие показатели: волатильность, Value at Risk (VaR), Conditional VaR (CVaR), внутридневной размах, объем торгов и метрика ликвидности (days-to-liquidate). Признаки стандартизируются и обрабатываются методами машинного обучения: кластеризацией k-means и методом главных компонент (PCA). Для оценки качества кластеризации рассчитываются силуэтный коэффициент, статистика Хопкинса и межкластерные расстояния. Результаты. Анализ демонстрирует высокую степень кластеризуемости данных. Модель k-means с пятью кластерами выявляет устойчивые группы наблюдений, различающиеся по глубине потенциальных потерь и ликвидности. Межкластерные расстояния варьировали от 2,15 до 9,67 в нормализованном пространстве признаков, что указывает на сильную дифференциацию профилей риска. Выводы и значимость. Кластеризация на основе многомерных факторов риска позволяет выявлять скрытые структуры риска, не наблюдаемые при анализе по отдельным метрикам. Применение методов неконтролируемого машинного обучения расширяет возможности эмпирического анализа и способствует более точной сегментации инвестиционных продуктов по уровням потенциальных потерь. Предложенный подход может быть использован для автоматизированной типологии инвестиционных продуктов в рамках внутренних моделей управления рисками, а также для разработки универсальных индикаторов риска. Результаты могут помочь финансовым институтам и регуляторам в аудите и совершенствовании существующих шкал рейтингования риска, включая их адаптацию к поведенческим и рыночно-специфичным факторам.