Статьи, Журналы

Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке

Статьи, Журналы

Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке

Савон, Д.Ю. Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке / Д. Ю. Савон, А. А. Юлий // Финансы и кредит. — Москва, 2025 — N 9. Том 31. — С.22-34. — Библиогр. в конце ст.

Савон, Д.Ю. и Юлий, А.А., (2025), "Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке", Финансы и кредит, Москва, 2025, N 9. Том 31, С.22-34.

Савон Д Ю, Юлий А А. Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке. Финансы и кредит. 2025; (N 9. Том 31). С.22-34.

нет оценок

Выпуск

Финансы и кредит, 2025, Т.31 N 9

Источник

Аннотация

Предмет. Латентная структура риск-профилей розничных инвестиционных продуктов. Цели. Определение устойчивых кластеров, основанных на многофакторных метриках риска, отражающих потенциальные годовые потери инвестора. Методология. В качестве базы для анализа используется rolling-выборка скользящих 60-дневных окон по каждому фонду. Для каждого окна рассчитываются волатильность, Value at Risk, Conditional VaR, внутридневные колебания, оборот и метрика ликвидности. Применены алгоритмы кластеризации KMeans, PCA, рассчитана метрика силуэта, Хопкинс-статистика и межкластерные расстояния для оценки качества кластеризации. Результаты. Анализ показал, что данные обладают высокой степенью кластеризуемости. Модель KMeans с пятью кластерами позволила выявить устойчивые группы наблюдений, отличающиеся по глубине потенциальных убытков и ликвидности. Межкластерные расстояния варьировались от 2,15 до 9,67 в нормированном пространстве признаков, что свидетельствует о высокой различимости риск-профилей. Область применения. Предложенный подход может быть применен для автоматизированной типологии инвестиционных продуктов в рамках внутренних моделей риск-менеджмента, а также при разработке универсальных индикаторов риска. Результаты могут использоваться финансовыми институтами и регуляторами для проверки и переоценки существующих шкал риска, включая их адаптацию к поведенческим и рыночным факторам. Выводы. Кластеризация на основе многомерных риск-факторов позволяет выявить скрытую структуру рисков. Применение методов машинного обучения без учителя расширяет возможности эмпирического анализа и способствует более точной сегментации инвестиционных продуктов по потенциальному уровню потерь.

Ключевые слова

УДК:

336.76(470)

Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке

Выявление латентных кластеров инвестиционных продуктов на основе риск-факторов с использованием методов машинного обучения на российском фондовом рынке

Аннотация

Ключевые слова

Рекомендовано к ознакомлению

Отзывы читателей