В пятницу я обещал, что третья летняя статья ждёт своей очереди. Очередь подошла — и выходит она в понедельник, а не в пятницу, потому что она больше про торговлю, чем про кафедру. В серии «Разборы статей» это №7.
Соавтор — Юлия Маркова, статья выросла из её ВКР. Когда студенческая работа доходит до «Финансового журнала» — это ровно то, что я называю «выпускники выдают взрослые продукты» 🎓
Задача. Российский рынок 2024–2025: индекс волатильности RVI держался в диапазоне 39–49, IMOEX упал на 7% и ещё на 4%. Вопрос: можно ли в таких условиях собрать портфель, который обыгрывает индекс — не угадывая, куда он пойдёт?
Как собирали. Три этапа:
1️⃣ Кластеризация акций Мосбиржи. Сравнили K-Means, MeanShift и DBSCAN — победил DBSCAN: коэффициент силуэта 0,8, находит кластеры любой формы, устойчив к шуму и не требует заранее задавать число групп. На выходе — 40 акций.
2️⃣ Интегральная оценка внутри кластеров: P/E, ROE, Beta, P/BV, ROA, дивиденды, капитализация — с весами и рейтингами от A+ до B+.
3️⃣ Оптимизация портфеля с жёсткими ограничениями: волатильность не выше 22% (средняя по индексу), шорты не больше 25%, доля одной бумаги не больше 15%, транзакционные издержки учтены.
Что получилось. Метод Монте-Карло перебрал 250 000 случайных портфелей — лучший из них дал Шарп всего 0,35. Алгоритмическая оптимизация: Шарп 1,4 при доходности 50% и той же волатильности 22%. Без коротких продаж — 35%: шорты расширяют пространство решений, и это стоит пятнадцати процентных пунктов.
Честный экзамен — out-of-sample. На данных 2025 — начала 2026, которые модель не видела: оптимальный портфель +55% накопленно при Шарпе 1,31. Равновзвешенный — +8%. Индекс Мосбиржи — минус 8% при Шарпе −1,41. И неожиданность: портфель без ребалансировки обошёл портфель с ребалансировкой — издержки съедают больше, чем даёт подстройка. Иногда лучшая сделка — не трогать.
Что я считаю главным. Заметьте: ни одного прогноза направления рынка. Индекс падал — портфель рос не потому, что мы угадали разворот, а потому что отбор, структура и контроль риска работают на любом рынке. Не «куда пойдёт», а «что держать и сколько при заданном риске». Ограничения авторы тоже указали честно: исторические данные, чувствительность к параметрам, слабость DBSCAN в высоких размерностях.
📄 Лысенок Н. И., Маркова Ю. Е. Применение методов кластеризации для формирования оптимального инвестиционного портфеля на российском фондовом рынке // Финансовый журнал. 2026. Т. 18. № 4. С. 45–63. doi.org/10.31107/2075-1990-2026-4-45-63
💻 Код и визуализации открыты: github.com/nilysenok/Cluster_MOEX
P.S. Три летние статьи разобраны — №5, №6, №7. Серия продолжается, но уже не залпом: следующие разборы — по мере выхода новых работ.
P.P.S. В среду — ещё один разбор, финальный аккорд летней серии: попробовал систематизировать, как ИИ и машинное обучение реально применяются в торговле — от классификации задач до того, что работает, а что только красиво звучит.
#Торговая@nilysenok
