ML-модели повысили точность прогнозов на фондовом рынке

Центральной задачей для управления рисками в инвестировании и построении стратегий на фондовом рынке остается оценка волатильности. Это мера изменчивости цены активов, которая показывает, как сильно она может колебаться в течение торгового дня. Ошибки в оценке будущей волатильности напрямую влияют на стоимость опционов, риск-менеджмент портфелей и эффективность инвестиционных стратегий.

Существуют традиционные методы оценки волатильности, например так называемая HAR-модель. Она оценивает три периода по заданным параметрам и строит линейную оценку волатильности на следующий день. Однако эта модель не справляется с оценкой нелинейных рисков. Автор решил выяснить, смогут ли методы машинного обучения показать лучший результат по сравнению с традиционным эконометрическим подходом. Исследование опубликовано в журнале «Фундаментальная и прикладная математика».

Исследование основано на высокочастотных данных по десяти наиболее ликвидным акциям Московской биржи за период с 2014 по 2025 год. Рассмотрены изменения котировок с интервалом 10 минут, что позволяет рассчитывать реализованную волатильность и ее модификации для последующего построения прогнозов. Кроме того, были использованы характеристики доходности и структуры рынка, которые отражают особенности торговли на российской фондовой бирже. Затем сравнивались результаты классического метода HAR и методов машинного обучения: Random Forest, XGBoost и LightGBM. Они способны учитывать нелинейности и сложные взаимодействия переменных. Для оценки качества прогнозов не только использовали стандартные статистические метрики, но и применили полученную волатильность в симуляции реальной торговли акциями.

Результаты показали устойчивое превосходство ML-моделей над классической HAR-моделью. Наиболее заметное улучшение наблюдается на коротких и средних горизонтах прогнозирования. Средняя ошибка прогноза снизилась примерно на 15%, а точность предсказания модели выросла до 23% в зависимости от метода (наилучший результат показал LightGBM). «Модели машинного обучения демонстрируют превосходство как в периоды рыночной стабильности, так и в условиях повышенной турбулентности. Они не обладают даром предвидения, но могут точнее сигнализировать о росте рисков и дают время для ребалансировки портфеля», — указывает сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН ВШЭ Никита Лысенок.

Симуляция торговли акциями при усилении оценкой волатильности с помощью машинного обучения показала рост доходности на 7 п.п., с 6,48 до 13,68% годовых. «Здесь работает кумулятивный эффект и асимметрия риска. Более точная оценка волатильности позволяет оптимальнее калибровать размер позиции. На отдельной сделке эта разница несущественна, но на горизонте сотен транзакций она превращается в значимые проценты годовой доходности», — объясняет Никита Лысенок.

Вместе с тем автор подчеркнул, что методы машинного обучения для прогнозирования волатильности требуют тщательной настройки параметров и серьезно зависят от данных, на которых проходило обучение. А более высокая точность прогноза волатильности не автоматически трансформируется в экономический выигрыш, и трейдинг все еще требует серьезных навыков и несет значительные риски. «Ключевой фактор устойчивой доходности — это риск-менеджмент: точный прогноз волатильности позволяет своевременно сокращать позицию и избегать глубоких просадок», — указывает автор.