Портфельная теория и методы оптимизации — 2. BI, PYTHON

© Виталий Фартушнов, 2026

ISBN 978-5-0070-3362-6 (т. 2)

ISBN 978-5-0070-3363-3

Создано в интеллектуальной издательской системе Ridero

Портфельная теория и методы оптимизации

Портфельная теория изучает, как рациональный инвестор должен комбинировать активы, чтобы при заданном уровне риска получить максимально возможную доходность (или минимизировать риск при заданной доходности), а методы оптимизации дают формальные алгоритмы поиска таких «оптимальных» портфелей. [1] [2]

Базовые идеи портфельной теории

— Ключевая идея: смотреть на актив не по отдельности, а через его вклад в риск и доходность всего портфеля (ковариации и корреляции между активами). [2] [3]

— Диверсификация: комбинируя активы с неполной (и особенно низкой/отрицательной) корреляцией, можно снизить общую волатильность без пропорционного снижения ожидаемой доходности. [1] [2]

— Эффективная граница: множество портфелей, которые дают максимальную ожидаемую доходность для каждого уровня риска; портфели ниже границы считаются неэффективными. [1] [3]

Классическая модель Марковица (MPT)

— Модель Марковица (Modern Portfolio Theory, mean—variance) формализует задачу: минимизировать дисперсию (риск) портфеля при заданной ожидаемой доходности или максимизировать доходность при заданном уровне риска. [1] [4]

— Входные данные: вектор ожидаемых доходностей активов, ковариационная матрица доходностей и ограничения на веса (например, суммы весов = 1, запрет шорта и т.п.). [1] [5]

— Решение задачи даёт веса активов, формирующие эффективную границу; при добавлении безрискового актива возникает прямая линия рынка капитала (CML) и портфель с максимальным Sharpe. [3] [6]

Связанные модели: CAPM, факторы, Black—Litterman

— CAPM связывает ожидаемую доходность актива с его бета-риском относительно рыночного портфеля, который сам лежит на эффективной границе в рамках MPT. [6] [7]

— Многофакторные модели (Fama—French, факторная оптимизация) расширяют CAPM, добавляя факторы стоимости, размера, момента, качества и др., чтобы лучше объяснять доходности и строить факторные портфели. [8] [7]

— Модель Black—Litterman комбинирует «рыночные» равновесные доходности с субъективными взглядами инвестора (байесовский подход), сглаживая нестабильные и концентрированные решения классического mean—variance. [8] [9]

Методы оптимизации портфеля (алгоритмика)

— Классический mean—variance — квадратичное программирование: задача минимизации квадратичной формы риска при линейных ограничениях на веса. [5] [10]

— Для сложных постановок используют линейное, нелинейное, смешанно-целочисленное программирование, эвристики (генетические алгоритмы, метаэвристики), стохастическое программирование и робастную оптимизацию. [5] [11]

— Современные расширения включают минимум-дисперсионные портфели, риск-паритет, оптимизацию по CVaR/максимальной просадке, робастные и «resampled» эффективные границы, которые уменьшают чувствительность к ошибкам оценок. [8] [12]

Практические шаги построения портфеля

— Определить: горизонт, риск-профиль, целевую метрику (максимизация Sharpe, минимизация волатильности, ограничение просадки и т.п.). [9] [3]

— Оценить статистику: ожидаемые доходности (часто через исторические данные или CAPM/факторные модели), ковариационную матрицу (с регуляризацией, например Ledoit—Wolf для устойчивости). [13] [10]

— Решить задачу оптимизации с выбранными ограничениями (границы по весам, лимиты на классы активов, ликвидность, регуляторные требования) и регулярно пересматривать портфель по мере изменения оценок и параметров инвестора. [12] [9]

Если интересно, можно разобрать конкретную постановку (например, XAUUSD + акции + облигации) и написать формальную задачу оптимизации в матем-пакете или Python.

⁂

Перечисли портфельные теории и укажи литературу, где они описаны

Портфельные теории делятся на традиционные и современные подходы, где традиционные фокусируются на трендах рынка и механических правилах, а современные — на количественном анализе риска и доходности. Ниже перечислены ключевые теории с основными источниками литературы. [21] [22]

Традиционные теории

— Теория Dow Jones: Основана на гипотезе Чарльза Доу о трех циклических трендах рынка (первичные, вторичные, минорные), помогающих таймингу входа/выхода из позиций. [23] [22]

— Теория случайного блуждания (Random Walk Theory): Цены акций непредсказуемы, рынки эффективны, исторические данные не дают преимущества; также известна как гипотеза эффективного рынка (EMH). [23] [22]

— Формульные планы (Formula Plans): Механические методы переоценки портфеля (например, постоянное соотношение агрессивных и defensive активов) для минимизации убытков. [23] [22]

Современные теории

— Современная портфельная теория Марковица (MPT, Mean-Variance Analysis): Оптимизация портфеля по ожидаемой доходности и дисперсии с учетом диверсификации; основа эффективной границы. Литература: Markowitz H. «Portfolio Selection» (Journal of Finance, 1952); книга «Modern Portfolio Theory» by Jack Clark Francis (2013). [22] [24] [22]

— Модель единственного индекса Шарпа (Sharpe Single Index Model): Упрощение MPT, где доходность актива линейно зависит от рыночного индекса через бета; снижает вычисления для больших портфелей. Литература: Sharpe W. «A Simplified Model for Portfolio Analysis» (Management Science, 1963). [23] [22]

— Модель ценообразования капитальных активов (CAPM): Ожидаемая доходность = безрисковая ставка + бета * рыночная премия; связывает систематический риск с доходностью. Литература: Sharpe W. «Capital Asset Prices: A Theory of Market Equilibrium» (Journal of Finance, 1964); книга «Portfolio Theory and Capital Markets» (2004). [23] [22] [25]

Дополнительно: Arbitrage Pricing Theory (APT, Ross, 1976), Black-Litterman модель (1990) — расширения MPT/CAPM, описаны в «Modern Portfolio Theory: Foundations, Analysis, and New Developments» (Francis & Kim, 2013). [26]

⁂

Какие классические книги по теории портфеля изучать в первую очередь

Классические книги по теории портфеля закладывают основу mean-variance анализа, CAPM и диверсификации, начиная с работ Нобелевских лауреатов. Изучать их стоит в порядке от фундаментальных статей к всесторонним учебникам. [41] [42] [43]

Основополагающие работы

— «Portfolio Selection» (1952, Journal of Finance): Семинальная статья Harry Markowitz, вводящая MPT, эффективную границу и оптимизацию по риску-доходности. Первоисточник всей современной теории. [44] [42] [43]

— «Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk» (1964, Journal of Finance): William Sharpe вводит CAPM, связывая бета с ожидаемой доходностью. [45]

Ключевые учебники

— «Modern Portfolio Theory and Investment Analysis» (Elton, Gruber, Brown, Goetzmann): Полный обзор MPT с формулами, моделями и эмпирикой; рекомендуется как первое чтение после Марковица. [41] [46]

— «Investments» (Bodie, Kane, Marcus): Стандартный учебник по портфельной теории, CAPM, APT с примерами и задачами; доступный для самообучения. [46]

Комплексные издания

— «Portfolio Theory and Capital Markets» (William Sharpe, 1970/2009): Автор CAPM развивает идеи от MPT к равновесию рынка. [47]

— «Modern Portfolio Theory: Foundations, Analysis, and New Developments» (Francis, Kim, 2013): Систематизирует MPT, включая расширения (Black-Litterman), с Excel-приложениями. [42]

Эти книги доступны на Google Books, Amazon или JSTOR; для практики комбинируйте с Python-библиотеками типа PyPortfolioOpt. [42] [48]

⁂

— Модель ценообразования капитальных активов (CAPM): Ожидаемая доходность = безрисковая ставка + бета * рыночная премия; связывает систематический риск с доходностью. Литература: Sharpe W. «Capital Asset Prices: A Theory of Market Equilibrium» (Journal of Finance, 1964); книга «Portfolio Theory and Capital Markets» (2004). [23] [22] [25]

Дополнительно: Arbitrage Pricing Theory (APT, Ross, 1976), Black-Litterman модель (1990) — расширения MPT/CAPM, описаны в «Modern Portfolio Theory: Foundations, Analysis, and New Developments» (Francis & Kim, 2013). [26]

⁂

Какие классические книги по теории портфеля изучать в первую очередь

Классические книги по теории портфеля закладывают основу mean-variance анализа, CAPM и диверсификации, начиная с работ Нобелевских лауреатов. Изучать их стоит в порядке от фундаментальных статей к всесторонним учебникам. [41] [42] [43]

Основополагающие работы

— «Portfolio Selection» (1952, Journal of Finance): Семинальная статья Harry Markowitz, вводящая MPT, эффективную границу и оптимизацию по риску-доходности. Первоисточник всей современной теории. [44] [42] [43]

— «Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk» (1964, Journal of Finance): William Sharpe вводит CAPM, связывая бета с ожидаемой доходностью. [45]

Ключевые учебники

— «Modern Portfolio Theory and Investment Analysis» (Elton, Gruber, Brown, Goetzmann): Полный обзор MPT с формулами, моделями и эмпирикой; рекомендуется как первое чтение после Марковица. [41] [46]

— «Investments» (Bodie, Kane, Marcus): Стандартный учебник по портфельной теории, CAPM, APT с примерами и задачами; доступный для самообучения. [46]

Комплексные издания

— «Portfolio Theory and Capital Markets» (William Sharpe, 1970/2009): Автор CAPM развивает идеи от MPT к равновесию рынка. [47]

— «Modern Portfolio Theory: Foundations, Analysis, and New Developments» (Francis, Kim, 2013): Систематизирует MPT, включая расширения (Black-Litterman), с Excel-приложениями. [42]

Эти книги доступны на Google Books, Amazon или JSTOR; для практики комбинируйте с Python-библиотеками типа PyPortfolioOpt. [42] [48]

⁂

RH-Quantum Portfolio (2026), NSGA — описать подробно, перечислить литературу

NSGA-II (Non-dominated Sorting Genetic Algorithm II) is a popular multi-objective evolutionary optimization algorithm used in portfolio optimization to balance risk and return. «RH-Quantum Portfolio (2026)» likely refers to a quantum-inspired or hybrid portfolio optimization approach projected for 2026, possibly incorporating NSGA-II with quantum annealing or variational methods for enhanced performance in financial modeling. [1] [2] [3]

Core Concept

NSGA-II ranks solutions by non-domination levels and crowding distance to generate Pareto-optimal portfolios, outperforming classical methods like Markowitz in handling constraints such as semi-variance, liquidity, and cardinality. [2] [4] [5] In quantum contexts, it hybridizes with algorithms like QAOA or VQE for complex, higher-order moment optimizations (e.g., skewness, kurtosis) relevant to 2026 quantum hardware advances. [6] [7] [3] This suits 2026 portfolios amid rising quantum computing stocks like D-Wave (QBTS) and IonQ (IONQ), which emphasize optimization for finance. [8] [1]

Key Applications

— Risk-Return Trade-off: NSGA-II yields portfolios with superior returns (e.g., 41.25% annualized) and lower risk than baselines, tested on indices like Tehran Stock Exchange or S&P100. [2] [4]

— Quantum Integration: D-Wave’s annealing optimizes 60-stock portfolios; hybrids with NSGA-II target NISQ-era limits for 2026 commercial use in finance. [9] [1]

— 2026 Relevance: Aligns with forecasts for fault-tolerant systems enabling real-world portfolio tools, reducing computation for combinatorial problems. [10] [11]

Literature

— Portfolio Optimization Utilizing Multi-Objective NSGA-II (SSRN, 2024): Applies NSGA-II to 132 Tehran stocks, showing better risk-return profiles. [2]

— Design of Optimum Portfolio Scheme Based on Improved NSGA-II (PMC, 2022): Improves convergence for financial multi-objectives, achieving 70.08% predicted profits. [4]

— Multiobjective Approach to Portfolio Optimization with NSGA-II (Vilnius Tech, 2020): Uses credibilistic ratios for fuzzy risk-return-liquidity models on S&P100. [5]

— Quantum Portfolio Optimization with Expert Analysis (arXiv, 2025): Benchmarks VQE/QAOA, relevant for NSGA hybrids. [3]

— On NSGA-II and NSGA-III in Portfolio Management (TechScience, 2021): Compares genetic algorithms for constrained models. [12]

—

⁂

Подробный разбор шагов алгоритма NSGA-II

NSGA-II работает в поколениях, комбинируя элитизм, быструю недоминирующую сортировку и crowding distance для отбора. Алгоритм минимизирует несколько целей, поддерживая разнообразие на фронтах Парето. [51] [52]

Инициализация и параметры

NSGA-II запускается с популяцией размером, генерируемой случайно в пределах границ переменных. Параметры включают: вероятность кроссовера, мутации (где — размер хромосомы), индексы распределения для SBX-кроссовера и полиномиальной мутации. Максимум поколений или функция оценок служит критерием остановки. [51] [53]

Шаг 1: Недоминирующая сортировка

Для объединенной популяции (размер) присваивается ранг каждому индивиду:

— Инициализировать (множество доминируемых индивидов), (число доминирующих), фронт.

— Для каждого: для каждого, если доминирует (, строгое неравенство хотя бы для одного), то; иначе. Если, добавить в.

— Для: пока не пуст, для каждого, для каждого:; если, добавить в. Ранг индивида из равен. Сложность, где — число целей. [51] [52] [54]

Шаг 2: Вычисление crowding distance

Для каждого фронта (отсортированного по каждой цели отдельно):

— Инициализировать для всех целей,.

— Для каждой цели:, сортировать по (пусть — индексы). Граничным.

— Для:, где предотвращает деление на ноль.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.