Наука

Поведенческие финансы

Субъективные ожидания и паттерны инвесторов в большей степени определяют краткосрочную динамику цен на рынке, чем фундаментальные факторы.
Концептуально поведенческие финансы это альтернативный подход к финансам, базирующийся на нескольких теориях. Объединяет эти теории критика традиционных подходов и моделей в финансах, основанная на эмпирических свидетельствах (парадоксах).

На сегодняшний день изучение поведенческих финансов концентрируется на 4 блоках:

— Чувства или сантименты инвестора;
— Асимметричное отношение к риску и потерям;
— Ограничение на арбитраж;
— Дивидендная политика.

Наиболее структурированной и обоснованной является теория перспектив Канемана-Тверски, предложившая математическую модель, которая описывает индивидуальное отношение инвестора к риску и оценке блага (блок 1 и 2).

В наших исследованиях мы сравнили два подхода к финансам: поведенческий (модель Канемана-Тверски) и традиционный (модель Марковица, модель слежения за индексом, mean-var-CVaR модель) для определения практической выгоды первого подхода. Модель Канемана-Тверски показала:

— Защиту от сильных просадок портфеля ценных бумаг (по показателям VaR и CVaR);
— Снижение транзакционных издержек портфеля ценных бумаг за счет оптимальной диверсификации;
— Большую доходность в сравнении с моделью слежения за индексом при том же уровне систематического риска.

Риск менеджемент

Для эффективного управления рисками используются различные меры риска, которые учитывают комплексность этого понятия. На основе анализа рисков мы:

— отбирали конкретные активы в портфель;
— оценивали эффективность портфеля в соотношении с доходностью;
— прогнозировали и моделировали динамику финансовых показателей портфеля.

Наиболее эффективными и информативными мерами риска для нашего исследования являются:

— Дисперсия (или среднеквадратическое отклонение)
— VaR
— CVaR

Основные наработки:

— Мера риска CVaR инкорпорирована в модель теории перспектив Канемана-Тверски с целью сбалансировать соотношение агрессивного характера доходности модели и риска.
— Сравнительный анализ графического изображения распределений доходностей моделей (в особенности зона убытков – левый хвост распределения) подтверждает выводы комплексного анализа рисков.
— Моменты третьего и четвертого порядка (коэффициент асимметрии и скос) подтверждают выводы анализа асимметричных мер риска в отношении результатов исследуемых моделей. Это доказывает необходимость верификации стратегии риск менеджмента результатами анализа моментов более высокого порядка портфеля ценных бумаг.

Математическое моделирование

Применение методики математического моделирования особенно полезно при проведении эмпирических исследований. Мы моделировали два подхода к проблеме выбора портфеля ценных бумаг:

— традиционный (модель Марковица, модель слежения за индексом)
— поведенческий (модель теории перспектив Канемана-Тверски).

Для изучения поведения исследуемых моделей в различных условиях применялось математическое моделирование в следующих областях:

— Базовые и производные модели выбора портфеля ценных бумаг. К базовым моделям добавлялись новые ограничения (на кардинальность и на уровень CVaR).
— Моделирование на выборочных данных (исторические доходности активов)
— Моделирование на вне выборочных данных:
a) Симулировались различные типы распределений доходностей активов для изучения поведения моделей, отражающих:

- растущий рыночный тренд (бычий рынок). Моделировали доходности, основанные на исторических данных рыночного роста (функция равномерного случайного генерирования Matlab y = datasample (data,k)).

- падающий рыночный тренд (медвежий рынок). Использовали исторические данные, относящиеся к индексу FTSE 100 в период глобального кризиса в 2008 году (функция симулирования мультавариативного t-распределения Matlab r = mvtrnd(kR, df, cases)).

b) Применялся метод бутстреп (итерационное повторение генерации случайных чисел на выборочных данных).

В будущем планируется использовать имитационное моделирование трейдинга, которое включает периоды сохранения позиций и дальнейшего пересмотра портфеля.

Когнитивная психология

Финансы — это эквивалент человеческих желаний. Любое желание порождает три базовые эмоции – жадность, гнев и страх. Именно эти эмоции управляют человеком при принятии финансовых решений. Наше исследование направлено на рассмотрение следующих проблем в этой области:

— Риск как потенциальная возможность, а не угроза
— Личностное обоснование выбора
— Оценка себя через свой выбор
— Поведенческие паттерны как ориентиры, а не факторы риска
— Принятие финансовых решений и решений, не связанных с монетарными исходами
— Влияние условий риска и неопределенности (различных степеней) при принятии решений.

Портфельное инвестирование

Классическое долгосрочное портфельное инвестирование основывается на следующих принципах:

— Главенство фундаментального анализа над техническим (использование мультипликаторов P/S и P/E для определения справедливой стоимости актива и ожиданий инвесторов)
— Оценка эффективности и выбор портфеля по критерию упрощенного коэффициента Sharp ratio (как отношение средней ожидаемой доходности портфеля к дисперсии)
— Построение портфеля на основании рекомендаций модели слежения за индексом. Оптимизация транзакционных издержек, используя модель теории перспектив со слежением за индексом (сходная динамика портфеля с меньшим количеством активов в портфеле)
— Управление рисками портфеля путем комплексного анализа рисков: расчет и анализ симметричных мер риска (дисперсия, среднеквадратическое отклонение) и асимметричных (VaR, CVaR, максимальная просадка портфеля)
— Для моделирования портфеля необходимо осознанное использование исторических данных. Без понимания причин возникновения тех или иных тенденций на рынке в прошлом нет смысла в использовании их для прогнозирования будущего.

Эвристические алгоритмы

Одним из подходов к решению нелинейных оптимизационных задач с невыпуклой целевой функцией является эвристика. Мы применяли 2 эвристических алгоритма для поиска решений задачи оптимизации функции полезности теории перспектив Канемана-Тверски:

— Генетический алгоритм
— Алгоритм дифференциальной эволюции

Мы адаптировали эти алгоритмы к изучаемой проблеме по средством установки их параметров, с учетом особенностей поведения функции полезности. Выявлено следующее:

— Выбранные параметры генетического алгоритма (обеспечивающие оптимальную работу алгоритма) находятся в диапазоне рекомендуемых значений для сложных невыпуклых функций.
— Для алгоритма дифференциальной эволюции при подборе параметра F (дифференциальный вес) оптимальное значение составило 0.05, что по отношению к допустимому диапазону [0,2] является достаточно низким. Прочие параметры были экспериментально установлены (в целях обеспечения оптимальной работы алгоритма) в диапазоне рекомендуемых значений для сложных невыпуклых функций.

В настоящее время ведется разработка методики интеллектуального поиска (по предпочтениям) на этапе отбора индивидов в популяцию в каждом поколении с целью оптимизации работы алгоритма. В перспективе это снизит затраты времени и повысит точность решения.

Наука

Направления

Поведенческие финансы

Риск менеджемент

Математическое моделирование

Когнитивная психология

Портфельное инвестирование

Эвристические алгоритмы

Публикации

Монографии

Журналы из списка ВАК и WEB OF SCIENCE

ПУБЛИКАЦИИ В СБОРНИКАХ КОНФЕРЕНЦИЙ

Конференции и презентации

Материалы зарубежных коллег