Оптимизация портфеля на основе нейросетей MPT-LSTM: кейс криптовалютных рынков

Цель: В данном исследовании рассматриваются передовые методы управления портфелем с использованием сетей с длительной краткосрочной памятью (LSTM). Исследование применено к инвестициям в криптовалюты, рынки которых характеризуются высокой частотой торгов, и объединяет модели бихевиоральных финансов на основе концепции доходность–риск с глубоким обучением, использующим искусственные нейронные сети (ANN) и алгоритмы LSTM. Дизайн/Методология/Подход: Принят количественный подход. Случайным образом был сформирован портфель из 25 криптовалют на основе базы данных https://finance.yahoo.com/crypto/ за период 2021–2024 гг. и реализован в языке Python. Оценивалась способность моделей точно предсказывать оптимальные относительные веса в портфеле. Модели глубокого обучения показали относительную эффективность, достигнув значений среднеквадратичной ошибки (MSE) в 0.0218% при прогнозировании оптимальных весов портфеля на 5 дней при разбиении данных на 80% для обучения и 20% для тестирования. Результаты: Вторая гипотеза была принята, указывая на эффективность алгоритмов глубокого обучения в прогнозировании весов оптимальных портфелей: оцененная доходность 1.7239%, риск 1.1219% и значение индекса Шарпа 1.5365%. Для сравнения, портфель по модели Марковица (доходность–риск) показал оценочную доходность 31.15% и риск 39.05%, без диверсификации по всем активам портфеля и с индексом Шарпа 0.7978. Практическое значение: Исследование дает важные выводы о том, что машинное обучение предоставляет существенные преимущества в оптимизации портфелей — от улучшенного прогнозирования доходностей активов до динамического ребалансирования, лучшего управления рисками и автоматизации. Способность обрабатывать высокоразмерные, нелинейные и нестционарные данные делает ML эффективным инструментом для оптимизации портфелей на сложных и быстро меняющихся рынках, особенно криптовалютных. Однако необходимо решать проблемы качества данных, переобучения и интерпретируемости для обеспечения эффективного внедрения в реальных портфелях. Оригинальность/Ценность: Исследование вносит оригинальный и своевременный вклад в понимание применения глубокого обучения для оптимизации портфелей и представляет собой значительный шаг вперед по сравнению с традиционными финансовыми моделями. Преимущества включают способность захватывать сложные нелинейные зависимости, динамическое ребалансирование в ответ на данные в реальном времени, обработку неструктурированных данных (например, анализ сентимента), продвинутое управление рисками и интеграцию высокоразмерных данных. В совокупности эти возможности обеспечивают более точную, адаптивную и устойчивую оптимизацию портфеля, повышая его эффективность и снижая риск.