Предмет. Методы оценки рыночного риска на длинных временных горизонтах. Применение моделей машинного обучения для расчета скорректированной дисперсии доходности и более точной оценки Value at Risk (VaR) на годовом горизонте. Цели. Разработка методологии оценки VaR, которая учитывает зависимости в данных и корректирует стандартные допущения, лежащие в основе традиционного подхода к расчету. Качеством модели в данном контексте считается выполнение статистических предпосылок, а также ее способность давать более точные прогнозы риска. Результаты. Построена модель оценки долгосрочного VaR, использующая методы временных рядов и машинного обучения, включая Prophet, CatBoost, VAR и VECM. Проведено тестирование на данных московской биржи, которое показало, что традиционные модели VaR завышают или занижают уровень риска из-за игнорирования автокорреляции и кластеризации волатильности. Обнаружено, что включение методов машинного обучения позволило скорректировать прогнозы, улучшить точность оценки риска на 250-дневном горизонте. Выводы. Разработанный подход предлагает альтернативу стандартным методам VaR для долгосрочной оценки риска, позволяет учитывать сложные взаимосвязи в данных. Применение машинного обучения повышает точность прогнозов и делает возможным более надежное прогнозирование рыночных рисков. Это особенно важно для долгосрочных инвесторов, таких как пенсионные фонды и институциональные инвесторы.
Ключевые слова: Value at Risk, машинное обучение, временные ряды, автокорреляция, стресс-тестирование
Список литературы:
Серова А.А. Концепция Value at Risk // Экономика и социум. 2017. № 5. С. 128–130. EDN: ZEMGLL
Силова Е.В. Моделирование рыночного риска // Вестник Башкирского университета. 2017. Т. 22. № 4. С. 925–929. URL: Link
Буваев Б.Л. VaR – как инструмент оценки финансовых рисков // Инновации и инвестиции. 2018. № 9. С. 292–294. URL: Link
Орлова Л.Н., Саяхетдинов А.Р. Методики количественной оценки рисков на основе VaR: сравнительный анализ // Интеллект. Инновации. Инвестиции. 2023. № 2. С. 63–74. DOI: 10.25198/2077-7175-2023-2-63 EDN: LGSRSH
Малкина М.Ю., Яковлева Е.К. Анализ факторов роста курсовой стоимости акций российских компаний (на примере ПАО «Уралкалий») // Региональная экономика: теория и практика. 2019. Т. 17. № 1. С. 183–200. DOI: 10.24891/re.17.1.183 EDN: YTGVID
Евдокимов М.А. Место ключевых информационных документов в правовом регулировании финансовых рынков России и ЕС // Вестник экономической безопасности. 2023. № 2. С. 52–58 DOI: 10.24412/2414-3995-2023-2-52-58 EDN: FZVDPE
Козлова С.Ю. Вопросы публичного раскрытия информации о структурированных долговых финансовых инструментах // Теория и практика общественного развития. 2018. № 2. С. 34–38. DOI: 10.24158/tipor.2018.2.6 EDN: YOCKPQ
Алиаскарова Ж.А., Асадулаев А.Б., Пашкус В.Ю. Прогнозирование динамики инвестиций в основной капитал и валовую добавленную стоимость на основании моделей VAR и VECM // Проблемы современной экономики. 2020. № 4. С. 41–45. EDN: UWMTAT
Шлычков В.В., Нестулаева Д.Р., Зарезнов Д.А. Экономика России в 2022 году: вызовы и механизмы их преодоления // Вестник Челябинского государственного университета. 2023. № 3. С. 240–249. EDN: XXQTKM
