#портфель, #UVA, #диверсификация, #доход, #машинноеобучение Привет. Продолжаю рассказывать о метриках, на основе которых планирую управлять своим портфелем. В предыдущем посте я рассказал о волатильности и бэта-коэффициенте. Сегодня я расскажу еще о нескольких метриках, на основе которых буду оценивать доходность и диверсификацию. 1. Коэффициент альфа. Данный коэффициент показывает «искусство управления» активами. Исходя из гипотезы эффективного рынка, долго обгонять среднерыночную доходность практически невозможно. Так вот, альфа показывает, насколько активное (или пассивное) управление позволяет это сделать. Альфа равна 0% — стратегия повторяет индекс. Стратегия с отрицательно альфой — проигрывает индексу, а с положительной — обыгрывает его. Расчет данного коэффициента представлен на рисунке 1. На графике приведено сравнение портфеля Кэти Вуд, Уоррена Баффета и моего с доходностью индекса S&P500. Видим, что фонд Кэити сильно обгонял S&P500 до февраля 2021 года, а последний год ему проигрывал. Портфель Баффета то опережает, то отстает он индекса, но в среднем коэффициент альфа равен 0. Своим портфелем я практически не управлял, но можно видеть, что до выхода в кэш (февраль 2021) я опережал индекс, а потом стал немного ему проигрывать. 2. Коэффициент Шарпа. Данный показатель эффективности портфеля вычисляется как отношение средней премии за риск к среднему отклонению портфеля. При величине данного коэффициента больше 1 считается что риск окупается, портфель работает и его стоит взять на вооружение. На рисунке 2 представлены коэффициенты Шарпа фонда Кэти Вуд, S&P500 и моего портфеля. С апреля 2021 фонд Кэти Вуд и мой портфель имеют гораздо больший риск при меньшей доходности, по сравнению с индексом S&P500. 3. Коэффициент диверсификации и уровень снижения несистематического риска. Я хотел оценить диверсификацию одной цифрой и пришел к данным коэффициентам. Эти показатели измеряют средневзвешенное значение для всех уникальных корреляций активов в портфеле, а при расчете коэффициента диверсификации используется еще коэффициент концентрации. Чем больше значение показателя IPC3, тем более диверсифицированным является портфель. Расчет диверсификация по компаниями представлен на рисунке 3. Буду рад почитать комментарии с предложениями и советами.

Всем привет. Как показала практика, написание постов не самое интересное для меня занятие, но я проделал большую работу и хотел бы поделиться результатами. В последнем посте я продемонстрировал доходность своего портфеля, которым я практически не занимался. (Со времени предыдущего поста доходность упала на 20%, и составила чуть меньше 10% годовых.) Для простоты, я решил дать имя своему портфелю – UVA. На рисунке 1 представлена доходность портфеля, а на рисунке 2 сравнение доходности портфеля с ключевыми индексами S&P500 ($ESH2), NASDAQ ($NDX), Russell 2000, NYSE. Напомню, что цель моего проекта использования ML методов при управлении портфелем. Для решения данной задачи необходимо разработать систему метрик, по которым и предстоит судить о качестве управления. Сегодня я бы хотел продемонстрировать данные метрики. Хотелось бы начать с того, что данные метрики рассчитываются методом скользящего окна, используя данные предыдущих 90 дней. 1. Волатильность – представляет собой простейшую меру риска использования финансового инструмента за заданный промежуток времени. Для расчёта волатильности применяется статистический показатель выборочного стандартного отклонения, что позволяет определить риск приобретения финансового инструмента. На рисунке 3 представлены волатильность основных индексов, а также одно из фондов Кэти Вуд и портфеля Berkshire Hathaway Уоррена Баффета. Как видно из графика, мой портфель является наименее волатильным, что говорит о его небольшом риске. 2. Бета-коэффициент – является мерой рыночного риска, отражая изменчивость доходности портфеля по отношению к доходности другого портфеля, в роли которого часто выступает среднерыночный портфель. В качестве среднерыночных портфелей были выбраны все те 4 индекса. На рисунке 4 представлен коэффициент бэта для портфеля Баффета, Кэти Вуд и моего, относительно индекса S&P500 ($ESH2). Из данного графика видно, что фонд Кэти Вуд имеет куда более высокие риски чем риски S&P, портфель Баффета движется однонаправленно с индексом, но при этом менее рисковый. Мой же портфель имеет гораздо ниже риск чем у индекса S&P. Забегая вперед, могу сказать, что низкие риски моего портфеля связаны с тем, что с конца февраля 2021 года, я находился в кэше более чем на 70%. В то время были закрыты сделки по RDS.A и TOT с плюсом 60%. В портфеле было не больше 10 имен (BABA , MSFT , RTX , DIS , ZYXI и др.) Начиная с августа то же года я начал мелкие покупки ($TWOU , BYND , BLNK , CGEN , GTHX, SPCE , ZYXI , PRLB и др.), вследствие этого с августа можем видеть рост «риска» портфеля. На рисунке 5 представлен процентный состав портфеля. Завтра я расскажу о еще 3 метриках: альфа-коэффициент, коэффициент Шарпа, оценка диверсификации (уровень снижения несистематического риска и коэффициент диверсификации).

ML подход к созданию и балансировке инвестиционного портфеля. Это мой первый пост в Пульсе, поэтому пару слов о себе. Я пришел на фондовый рынок чуть меньше 2 лет назад, и за все это время я потратил не более пары часов на его анализ и отбор компаний, ибо моё решение открыть ИИС было скорее данью моде. Пару недель назад в моей голове созрел вопрос: «Насколько моё дилетантское поведение на рынке эффективно?» Заглянув в статистику приложения, я не нашел ответа на свой вопрос, из чего сделал вывод: «Необходимо создать своё приложение расчета доходности». К моему великому удивлению, я узнал, что Тинькофф предоставляет исторические данные о счете по Invest API. Теперь у меня появилась история моих операций и первое что мне пришло в голову, создать программу, которая сможет воссоздать мой инвестиционный портфель на конкретную дату. И вот спустя месяц, я могу посмотреть на свой прошлый портфель в любую дату. Сегодня бы я хотел продемонстрировать доходность моего портфеля за последние 2 года и сравнить эту доходность с S&P500. (Доходность с учетов валютной переоценки.) На рисунке жирной красной линией обозначена доходность моего портфеля, а синим доходность S&P500. Во время обвала 2020 года мой портфель показал себя сильно хуже S&P500 показав доходность в -53% при доходности индекса -29%. К январю 2021 года мой портфель показывает доходность в 46% при доходности индекса 20%. После этого в течение нескольких месяцев я начинаю сокращать долю акций в портфеле, и мы можем видеть рост доли кэша (жирная зеленая линия). Доходность портфеля перестает расти, а акции китайских компаний (тонкая оранжевая линия) начинает тянуть её вниз. И на настоящий момент я имею доходность в 37% при доходности S&P500 в 49%. Все это подтолкнуло меня к созданию модели машинного обучения по балансировке своего портфеля. Следующей моей задачей стоит рассчитать историческую долю риска и сравнить её с доходностью. А какую статистику вы бы ещё хотели видеть? Подписывайтесь и следите за этапами создания данной модели. Мне очень важно мнение опытных инвесторов! $BABA, $MSFT, $VIPS, $TSLA, {$FB}, $CHGG, {$GTHX}, $SPCE