Розробка підходу керування ризиками на основі навчання з підкріпленням при формуванні інвестиційного портфелю

Автор(и)

  • Віталій Олександрович Мартовицький Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0003-2349-0578
  • Володимир Володимирович Аргунов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-2505-1969
  • Ігор Вікторович Рубан Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-4738-3286
  • Юрій Олександрович Романенков Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут», Україна https://orcid.org/0000-0002-6544-5348

DOI:

https://doi.org/10.15587/1729-4061.2023.277997

Ключові слова:

інвестиційний портфель, управління ризиками, машинне навчання, актор-критик, , навчання без учителя

Анотація

Інвестиції відіграють істотну роль у функціонуванні та розвитку економіки. Керування ризиками є невід'ємною частиною формування інвестиційного портфелю. Це означає, що інвестор повинен бути готовий взяти на себе певний рівень ризику, щоб отримати певний рівень доходу. Проте, при формуванні інвестиційного портфелю інвестор стикається з такими проблемами як: непередбачуваність ринку, кореляція активів, невірне розподілення активів. Отже, при формуванні інвестиційного портфелю, інвестор повинен ретельно вивчити всі можливі ризики і намагатися мінімізувати їх. Об’єктом дослідження є підхід до керування ризиками при формуванні інвестиційного портфелю з використанням методу навчання з підкріпленням. Описано основні принципи формування інвестиційного портфелю та визначення ризиків. Розглянуто застосування методу навчання з підкріпленням для побудови моделі керування ризиками інвестиційного портфелю. Також розглядається процес вибору оптимальних інвестиційних активів на основі альтернативних джерел даних, що мінімізують ризики та максимізують прибутки. Розроблено функціональну модель процесу оптимізації ризиків при формуванні інвестиційного портфелю на основі методів машинного навчання. Розроблена функціональної моделі дозволяє побудувати процес оптимізації ризиків, включаючи відбір активів, порівняння та оцінку ризиків, побудову інвестиційного портфелю та моніторинг його ризиків. Результати дослідження показали, що запропонований підхід до формування інвестиційного портфелю збільшив загальний приріст інвестиційного портфелю на 0,4363 у порівнянні з базовою моделлю. Також показник волатильності покращився у порівнянні з ринковою, про що свідчить значення відсоткової різниці між початковою та кінцевою сумою готівки, яке зросло з 128.98 до 295.57

Спонсори дослідження

  • інвестиційний портфель
  • управління ризиками
  • машинне навчання
  • актор-критик
  • навчання без учителя

Біографії авторів

Віталій Олександрович Мартовицький, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра електронних обчислювальних машин

Володимир Володимирович Аргунов, Харківський національний університет радіоелектроніки

Аспірант

Кафедра електронних обчислювальних машин

Ігор Вікторович Рубан, Харківський національний університет радіоелектроніки

Доктор технічних наук, перший проректор

Юрій Олександрович Романенков, Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут»

Доктор технічних наук, професор

Кафедра менеджменту

Посилання

  1. Kaftia, M. A. (2019). The Formation of Modern Portfolio Theories: the Main Problems and Tendencies of Development. Business Inform, 2 (493), 414–419. doi: https://doi.org/10.32983/2222-4459-2019-2-414-419
  2. Romanenkov, Y., Vartanian, V. (2016). Formation of prognostic software support for strategic decision-making in an organization. Eastern-European Journal of Enterprise Technologies, 2 (9 (80)), 25–34. doi: https://doi.org/10.15587/1729-4061.2016.66306
  3. Zadoia, A. O. (2019). Portfolio investments in Ukraine: chance or challenges? Academic Review, 2, 81–92. doi: https://doi.org/10.32342/2074-5354-2019-2-51-8
  4. Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 7 (1), 77–91. doi: https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
  5. Roy, A. D. (1952). Safety First and the Holding of Assets. Econometrica, 20 (3), 431. doi: https://doi.org/10.2307/1907413
  6. Sullivan, E. J. (2011). A.D. Roy: The Forgotten Father of Portfolio Theory. Research in the History of Economic Thought and Methodology, 73–82. doi: https://doi.org/10.1108/s0743-4154(2011)000029a008
  7. Jagannathan, R., Ma, T. (2003). Risk Reduction in Large Portfolios: Why Imposing the Wrong Constraints Helps. The Journal of Finance, 58 (4), 1651–1683. doi: https://doi.org/10.1111/1540-6261.00580
  8. Ratushna, Yu. S. (2019). Foreign financial investment development factors. Naukovyi visnyk Uzhhorodskoho natsionalnoho universytetu. Seriya: Mizhnarodni ekonomichni vidnosyny ta svitove hospodarstvo, 24 (3), 59–66. Available at: http://nbuv.gov.ua/UJRN/Nvuumevcg_2019_24%283%29__13
  9. Lopez, J. A. (1999). Methods for evaluating value-at-risk estimates. Economic Review, Federal Reserve Bank of San Francisco.
  10. Sunchalin, A. M. et al. (2019). Methods of risk management in portfolio theory. Available at: https://www.revistaespacios.com/a19v40n16/a19v40n16p25.pdf
  11. Ye, Y., Pei, H., Wang, B., Chen, P.-Y., Zhu, Y., Xiao, J., Li, B. (2020). Reinforcement-Learning Based Portfolio Management with Augmented Asset Movement Prediction States. Proceedings of the AAAI Conference on Artificial Intelligence, 34 (01), 1112–1119. doi: https://doi.org/10.1609/aaai.v34i01.5462
  12. Reinders, H. J., Schoenmaker, D., van Dijk, M. (2023). A finance approach to climate stress testing. Journal of International Money and Finance, 131, 102797. doi: https://doi.org/10.1016/j.jimonfin.2022.102797
  13. Emamat, M. S. M. M., Mota, C. M. de M., Mehregan, M. R., Sadeghi Moghadam, M. R., Nemery, P. (2022). Using ELECTRE-TRI and FlowSort methods in a stock portfolio selection context. Financial Innovation, 8 (1). doi: https://doi.org/10.1186/s40854-021-00318-1
  14. Lukina, N. P., Nurgaleeva, L. V. (2005). Valuegical and ideological status of a network community in information social space: statement of a problem. Gumanitarnaya informatika.
  15. Romanenkov, Y., Danova, M., Kashcheyeva, V., Bugaienko, O., Volk, M., Karminska-Bielobrova, M., Lobach, O. (2018). Complexification methods of interval forecast estimates in the problems on short­term prediction. Eastern-European Journal of Enterprise Technologies, 3 (3 (93)), 50–58. doi: https://doi.org/10.15587/1729-4061.2018.131939
  16. Model velykykh danykh ta mashynnoho navchannia. Available at: https://business.diia.gov.ua/en/handbook/impact-investment/model-velikih-danih-ta-masinnogo-navcanna
  17. Marbach, P., Tsitsiklis, J. N. (2001). Simulation-based optimization of Markov reward processes. IEEE Transactions on Automatic Control, 46 (2), 191–209. doi: https://doi.org/10.1109/9.905687
  18. Raskin, L., Sukhomlyn, L., Sagaidachny, D., Korsun, R. (2021). Analysis of multi-threaded markov systems. Advanced Information Systems, 5 (4), 70–78. doi: https://doi.org/10.20998/2522-9052.2021.4.11
  19. Raskin, L., Sira, O., Sukhomlyn, L., Parfeniuk, Y. (2021). Universal method for solving optimization problems under the conditions of uncertainty in the initial data. Eastern-European Journal of Enterprise Technologies, 1 (4 (109)), 46–53. doi: https://doi.org/10.15587/1729-4061.2021.225515
  20. Raskin, L., Sira, O. (2016). Method of solving fuzzy problems of mathematical programming. Eastern-European Journal of Enterprise Technologies, 5 (4 (83)), 23–28. doi: https://doi.org/10.15587/1729-4061.2016.81292
  21. Alibekov, E., Kubalík, J., Babuška, R. (2018). Policy derivation methods for critic-only reinforcement learning in continuous spaces. Engineering Applications of Artificial Intelligence, 69, 178–187. doi: https://doi.org/10.1016/j.engappai.2017.12.004
  22. Semenov, S., Weilin, C., Zhang, L., Bulba, S. (2021). Automated penetration testing method using deep machine learning technology. Advanced Information Systems, 5 (3), 119–127. doi: https://doi.org/10.20998/2522-9052.2021.3.16
  23. Zheng, L., Fiez, T., Alumbaugh, Z., Chasnov, B., Ratliff, L. J. (2022). Stackelberg Actor-Critic: Game-Theoretic Reinforcement Learning Algorithms. Proceedings of the AAAI Conference on Artificial Intelligence, 36 (8), 9217–9224. doi: https://doi.org/10.1609/aaai.v36i8.20908
  24. Mnih, V. et al. (2016). Asynchronous methods for deep reinforcement learning. International conference on machine learning. doi: https://doi.org/10.48550/arXiv.1602.01783
  25. Grondman, I., Busoniu, L., Lopes, G. A. D., Babuska, R. (2012). A Survey of Actor-Critic Reinforcement Learning: Standard and Natural Policy Gradients. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42 (6), 1291–1307. doi: https://doi.org/10.1109/tsmcc.2012.2218595
  26. A faster, simpler approach to parallel Python. Available at: https://www.ray.io/ray-core
Розробка підходу керування ризиками на основі навчання з підкріпленням при формуванні інвестиційного портфелю

##submission.downloads##

Опубліковано

2023-04-30

Як цитувати

Мартовицький, В. О., Аргунов, В. В., Рубан, І. В., & Романенков, Ю. О. (2023). Розробка підходу керування ризиками на основі навчання з підкріпленням при формуванні інвестиційного портфелю. Eastern-European Journal of Enterprise Technologies, 2(3 (122), 106–116. https://doi.org/10.15587/1729-4061.2023.277997

Номер

Том 2 № 3 (122) (2023): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2023 Vitalii Martovytskyi, Volodymyr Argunov, Igor Ruban, Yuri Romanenkov

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.