Меню
В условиях нестабильности на рынках и быстрой смены экономических тенденций, грамотное управление инвестиционным портфелем может стать ключом к сохранению и увеличению капитала. Для финансовых аналитиков и частных инвесторов владение этим навыком становится не только полезным, но и необходимым для достижения финансового успеха и стабильности.
На новой онлайн-программе магистратуры «Инвестиции на финансовых рынках» Высшей школы экономики (ВШЭ) появился проект «Методы построения и оценка эффективности инвестиционного портфеля» под руководством Никиты Лысёнка. Никита был одним из первых преподавателей, кто начал работать со студентами на первом курсе этой магистратуре, и его подход к преподаванию вызвал у студентов большой интерес к дальнейшему сотрудничеству. Он стартовал во втором семестре и продолжался до конца учебного года, по окончании которого студентам необходимо было защитить проектные работы.
Сам проект был направлен на развитие навыков построения и оценки инвестиционных портфелей, что особенно важно для будущих и действующих специалистов в области финансов. В программе подробно изучались различные методы кластеризации, такие как K-средних, MeanShift и другие. Кроме того, в процессе обучения студенты изучали теории диверсификации, оценки риска и доходности, а также современные подходы к анализу финансовых инструментов.
Практическая часть курса предусматривала разработку и тестирование собственных инвестиционных портфелей. Работы студентов показали разнообразие подходов к анализу инвестирования, включающие как традиционные методы, так и современные технологии, такие как машинное обучение и искусственный интеллект.
Давайте рассмотрим некоторые из них!
Андрей Диденко первым вызвался защищать свою работу, задав высокую планку для остальных участников. В своем исследовании он поставил цель провести кластеризацию компаний на рынках Египта, Индии, Бразилии и Израиля, чтобы выявить их инвестиционные характеристики и оценить риски. Андрей выбрал компании из индексов EGX 30, Nifty 50, Bovespa и TA 35, анализируя их по метрикам, таким как EV/EBITDA, Net Debt/Total Capital, ROE, P/B и другие.
Андрей применил методы кластеризации, проведя анализ различных методов и остановившись на K-means. Для визуализации и анализа данных он использовал библиотеки Pandas и Seaborn в Python, что позволило ему эффективно обрабатывать и наглядно визуализировать большие объемы данных.
Андрей выделил компании с высокой волатильностью и отрицательными показателями в отдельные кластеры, что позволило лучше понять их инвестиционные характеристики и риски. Например, компании с высоким уровнем задолженности и низкой доходностью были сгруппированы отдельно от тех, которые демонстрируют стабильную прибыль и низкий уровень долга. Он также обнаружил, что компании с высокими значениями EV/EBITDA и низким ROE имеют тенденцию к низкой доходности акций, что крайне важно учитывать при формировании инвестиционного портфеля.
Татьяна Андрухова сосредоточила свое исследование на энергетической отрасли коммунального сектора фондового рынка РФ. Основная цель её работы заключалась в анализе корреляции активов данного сектора и оценке их эффективности на сегодняшний день. Татьяна выявила, что акции коммунального сектора энергетической отрасли имеют низкую корреляцию с фьючерсом RTS, что может свидетельствовать об отсутствии валютного риска. То есть, акции коммунального сектора энергетической отрасли могут служить защитными активами в условиях экономической нестабильности и валютных колебаний.
В ходе своего исследования Татьяна использовала кластерный анализ для группировки активов по метрикам доходности и риска. Применив метод K-средних в Python, она оптимизировала выбор активов и минимизировала риски портфеля, создав два портфеля: один с минимальной волатильностью (GMV) и другой с максимальным коэффициентом Шарпа (MVE). Портфель GMV показал стабильный рост и устойчивость к рыночным колебаниям, а портфель MVE продемонстрировал высокую доходность при разумном уровне риска.
Следующая работа принадлежит Гаврикову Семену. Семен Гавриков уже зарекомендовал себя как студент, глубоко интересующийся финансовыми рынками еще до начала старта проекта, активно помогая в развитии клуба.
Как и Татьяна Андрухова, Семен сосредоточил свое исследование на энергетическом секторе, но уже на фондовом рынке США. Он выделил приблизительно близкие по корреляции акции и исследовал их математическую составляющую, используя также кластерный анализ и метод K-means. «Программное обеспечение» Семена использует алгоритмы технического анализа для автоматического определения и визуализации ключевых ценовых уровней на графиках акций, включая индикаторы, такие как скользящие средние, stochastic, MACD и ряд дополнительных осцилляторов.
На графиках видно, как ценовое движение акции распределяется по кластерам, и можно увидеть характерные особенности для каждого дня: в зависимости от движения цены, график изменяет свой цвет. Одним из ключевых индикаторов для этого анализа является RSI, который позволяет точно определить уровни перепроданности и перекупленности, что служит основой для принятия решений о входе и выходе из позиций. Например, если кластер с самым низким RSI сменяется на более нейтральный, это может указывать на технический отскок цены и предоставлять дополнительный контекст для выбора инвестиций.
Не изменяя традициям или по чистой случайности, Юлия Маркова направила работу по кластеризации компаний также на нефтегазовый сектор, но уже стран БРИКС. Важно добавить, что эта работа, как никогда, актуальна для нашего клуба, поскольку многие наши участники проводят научные исследования, посвященные развитию БРИКС на мировой экономической арене, и нам важен творческий подход каждого!
В исследовании Юлия Маркова использовала метрики, такие как P/E Ratio, P/BV Ratio, Total Debt to Equity, Net Profit Margin, Average Dividend Income, Beta и CCI. Используя методы кластеризации K-means и MeanShift, она распределила компании по кластерам, что позволило выявить различные группы с характерными признаками. Кроме того, сравнение методов показало, что и MeanShift, и K-means эффективно справляются с задачей, однако каждый из них имеет свои преимущества в зависимости от структуры данных и целей анализа.
Не изменяя традициям или по чистой случайности, Юлия Маркова направила работу по кластеризации компаний также на нефтегазовый сектор, но уже стран БРИКС. Важно добавить, что эта работа, как никогда, актуальна для нашего клуба, поскольку многие наши участники проводят научные исследования, посвященные развитию БРИКС на мировой экономической арене, и нам важен творческий подход каждого!
В исследовании Юлия Маркова использовала метрики, такие как P/E Ratio, P/BV Ratio, Total Debt to Equity, Net Profit Margin, Average Dividend Income, Beta и CCI. Используя методы кластеризации K-means и MeanShift, она распределила компании по кластерам, что позволило выявить различные группы с характерными признаками. Кроме того, сравнение методов показало, что и MeanShift, и K-means эффективно справляются с задачей, однако каждый из них имеет свои преимущества в зависимости от структуры данных и целей анализа.
Работы Андрея, Татьяны, Семена и Юлии показали, как методы кластеризации могут значительно повысить точность анализа акций. Грамотное распределение компаний по кластерам позволяет лучше понимать их фундаментальные и технические характеристики, что помогает принимать более обоснованные инвестиционные решения. Понимание и применение таких методов подчеркивает важность правильного портфельного управления и оценки рисков, которые сейчас особенно востребованы на финансовом рынке.
Мы же ищем таких же перспективных и талантливых участников для реализации новых проектов и инициатив! Студенты, проявляющие заинтересованность и показывающие отличные результаты, могут быть не просто рекомендованы в инвестиционный клуб, но и стать его ведущими экспертами. Это позволит не только внести значительный вклад в успешную деятельность клуба, но и развить необходимые навыки каждого из нас, открывая, при этом, новые горизонты в мире финансов.
Хотелось бы отдельно поблагодарить членов нашего клуба, которые активно помогали Никите в проведении занятий и дополнительных факультативов по просьбе студентов.
— Огромное спасибо Мамочкину Антону за его помощь в подготовке методических материалов и презентаций. Его вклад в разработку и структуру учебных материалов был чрезвычайно важен и точен.
— Также выражаем благодарность Ильину Виталию за поддержку в визуализации и оформлении программного обеспечения. Созданию наглядных графиков, программных кодов и диаграмм позволили эффективно продемонстрировать результаты проекта.
P.S.
SDF Solutions признательна всем тем, кто участвовал в этом проекте. Наши совместные усилия сделали проект живым, а самое главное – практичным в использовании!
Инвестиционный клуб
club@sdf-solutions.com
Видеопроизводство
production@sdf-solutions.com
