• ML-модели повысили точность прогнозов рисков российского фондового рынка.
• Предсказательная сила моделей возросла на 23%, средняя доходность инвестора может вырасти до 13% годовых.
• Оценка волатильности является ключевой задачей для управления рисками и построения стратегий на фондовом рынке.
• Традиционные методы оценки волатильности, такие как HAR-модель, не справляются с оценкой нелинейных рисков.
• Исследование основано на высокочастотных данных по десяти наиболее ликвидным акциям Московской биржи за период с 2014 по 2025 год.
• Рассмотрены изменения котировок с интервалом 10 минут, что позволяет рассчитывать реализованную волатильность и ее модификации для последующего построения прогнозов.
• Результаты показали устойчивое превосходство ML-моделей над классической HAR-моделью, особенно на коротких и средних горизонтах прогнозирования.
• ML-модели могут точнее сигнализировать о росте рисков и давать время для ребалансировки портфеля.
• Методы машинного обучения для прогнозирования волатильности требуют тщательной настройки параметров и зависят от данных, на которых проходило обучение.

«Модели машинного обучения демонстрируют превосходство как в периоды рыночной стабильности, так и в условиях повышенной турбулентности. Они не обладают даром предвидения, но могут точнее сигнализировать о росте рисков и дают время для ребалансировки портфеля», — указывает сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН ВШЭ Никита Лысенок.