Details

В данной статье представлен интегрированный подход к формированию инвестиционного портфеля, сочетающий современные методы прогнозирования временных рядов и гибкую настройку оптимизации инвестиционного портфеля. В условиях высокой волатильности рынка цифровых активов традиционные модели, такие как Марковица и CAPM, без точных прогнозов доходности теряют эффективность, поскольку не учитывают динамически изменяющиеся рыночные условия. В данной работе предложен подход, включающий адаптивный выбор моделей прогнозирования для каждого актива и оптимизацию весов портфеля на основе прогнозных данных. Для прогнозирования цен активов используются модели ARIMA, Chronos Forecasting, GMDH и LSTM, что позволяет учитывать различные аспекты рыночной динамики. На основе прогнозов рассчитывается ковариационная матрица доходностей и производится оптимизация портфеля с учетом различных стратегий: разрешение коротких позиций, минимизация риска, достижение заданного уровня доходности. Данный подход тестировался на данных из библиотеки yfinance с различными конфигурациями параметров, включая число активов, горизонт прогнозирования и способы масштабирования данных. Результаты экспериментов показывают, что предложенный подход обеспечивает среднюю фактическую доходность портфеля на уровне 55,2%, а доля портфелей с положительной доходностью достигает 83,3%. Использование медианы в качестве стратегии масштабирования увеличивает среднюю доходность до 66,9% при 92,6% успешных портфелей. Данный подход представляет собой инструмент для инвесторов, который позволяет адаптировать стратегии к изменяющимся рыночным условиям и повышать эффективность управления портфелем цифровых активов. Кроме того, предложенный подход демонстрирует высокий уровень гибкости благодаря возможности настройки различных параметров оптимизации. Например, варьирование горизонта прогнозирования позволяет учитывать краткосрочные и долгосрочные тренды рынка, а выбор стратегии масштабирования влияет на точность предсказаний. Оптимизация портфеля выполняется с учетом различных метрик, что делает данный подход применимым как для консервативных, так и для агрессивных инвестиционных стратегий. Дальнейшие исследования могут включать расширение набора прогнозных моделей, интеграцию альтернативных стратегий оптимизации, а также применение предложенного подхода к традиционным финансовым рынкам. Это позволит повысить точность прогнозирования и эффективность управления инвестициями в условиях высокой неопределенности и волатильности цифровых активов.

In this study, an integrated approach to portfolio optimization is presented, combining modern time series forecasting methods and flexible settings for portfolio optimization. In conditions of high volatility in the digital asset market, traditional models such as Markowitz and CAPM lose their effectiveness without accurate return forecasts, as they do not account for dynamically changing market conditions. In this work, an approach is proposed that includes the adaptive selection of forecasting models for each asset and the optimization of portfolio weights based on forecast data. For asset price forecasting, ARIMA, Chronos Forecasting, GMDH, and LSTM models are employed, which allows various aspects of market dynamics to be taken into account. Based on the forecasts, a covariance matrix of returns is calculated and portfolio optimization is performed considering different strategies: allowing short positions, risk minimization, and achieving a predetermined level of return. The approach was tested on data from yfinance with various parameter configurations, including the number of assets, forecast horizon, and data scaling approaches. The experimental results show that the proposed approach yields an average realized portfolio return of 55.2%, with the proportion of portfolios achieving positive returns reaching 83.3%. Using the median as the scaling strategy increases the average return to 66.9%, with 92.6% of the portfolios being successful. This approach serves as a tool for investors, allowing strategies to be adapted to changing market conditions and enhancing the efficiency of digital asset portfolio management. Furthermore, the proposed approach demonstrates a high degree of flexibility due to the ability to adjust various optimization parameters. For example, varying the forecast horizon allows both short-term and long-term market trends to be taken into account, while the choice of scaling strategy influences prediction accuracy. Portfolio optimization is carried out considering various metrics, making the approach applicable to both conservative and aggressive investment strategies. Further research may include expanding the set of forecasting models, integrating alternative optimization strategies, and applying the proposed approach to traditional financial markets. This would enhance forecasting accuracy and the effectiveness of investment management under conditions of high uncertainty and volatility in digital assets.

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. — Загл. с титул. экрана. — Периодичность: 6 раз в год. — Выходит с 2022 г. — Электрон. журнал. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

π-Economy. — Санкт-Петербург: СПбПУ, 2022 -. Т. 18, № 2, 2025. — 1 файл (6,94 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j25-159.pdf>.