Предмет. Совершенствование методики оптимизации инвестиционного портфеля в современных условиях. Цели. Разработка модели оптимизации портфеля инвестиций с учетом рискового профиля инвестора и ограниченности бюджета. Методология. Применены: сравнительный анализ существующих методов оптимизации портфеля инвестиций, экономико-математическое моделирование, методы машинного обучения, генетические алгоритмы, язык программирования Python. Результаты. Разработана модель оптимизации портфеля инвестиций предприятия, основанная на симбиозе отдельных элементов и принципов наиболее эффективных методов оптимизации инвестиционного портфеля, алгоритмах их реализации, математической модели и практических рекомендациях. Область применения. Результаты могут быть интересны начинающим участникам фондового рынка, инвесторам с опытом, ИТ-специалистам, занимающимся созданием программ, роботов для торговли на фондовом рынке с применением инструментов машинного обучения. Выводы. Сочетание в модели классических методов оптимизации инвестиционного портфеля с машинным обучением позволяет повысить точность оценки будущих доходностей активов и определить их веса в портфеле инвестора. Доказаны научные положения, актуализирующие задачу совершенствования существующих или разработки новых подходов к оптимизации инвестиционного портфеля. Представленная модель носит прикладной характер, учитывает рисковый профиль инвестора, тактические и стратегические цели инвестирования, ограниченность бюджета.
Агеев В.Н., Власов А.В. Потенциал применения цифровых финансовых активов // Финансовый журнал. 2020. Т. 12. № 6. С. 100—112. URL: Link
Гришина Н.П. Поведенческий подход к проблеме выбора оптимального портфеля. Саратов: Саратовский университет, 2015. 115 с.
Балынин И.В. Оптимизация инвестиционного портфеля в контексте практической реализации риск-ориентированного подхода: многообразие методов и принципов // Экономический анализ: теория и практика. 2016. Т. 15. Вып. 10. С. 79—92. URL: Link
Woodside-Oriakhi M., Lucas C., Beasley J. Heuristics Algorithms for the Cardinality Constrained Efficient Frontier. European Journal of Operations Research, 2011, vol. 213, iss. 3, pp. 538–550. URL: Link
Hens T., Bachmann K. Behavioural Finance for Private Banking. NY, John Wiley & Sons, 2008, 560 p.
Shefrin L. Beyond Greed and Fear. Understanding Behavioral Finance and the Psychology of Investing. NY, Oxford University Press, 2002, 154 p.
Наугольнова И.А. Цифровая трансформация и инновационные подходы к управлению затратами: теоретический анализ и перспективы развития // Креативная экономика. 2023. Т. 17. № 4. С. 1293—1312.
Markowitz H. Portfolio Selection. The Journal of Finance, 1952, vol. 7, no. 1, pp. 77–91. URL: Link
Редькин Н.М. Оптимизация инвестиционного портфеля на российском фондовом рынке в контексте поведенческой теории // Финансы: теория и практика. 2019. Т. 23. № 4. С. 99—116. URL: Link
Iyiola O., Munirat Y., Nwufo C. The Modern Portfolio Theory as an Investment Decision Tool. Journal of Accounting and Taxation, 2012, vol. 4, iss. 2, pp. 19–28.
Aarts E.H.L., Lenstra J.K. (eds). Local Search in Combinatorial Optimization. Princeton University Press, 2003, 528 p.
Mitchell M. An Introduction to Genetic Algorithms. Cambridge, MIT Press, 1996, 364 p.
Никитина Е.А., Мясникова Е.Б. Подходы к оптимизации портфеля ценных бумаг по критерию риска // Известия Тульского государственного университета. Экономические и юридические науки 2017. № 4-1. С. 24—36. URL: Link
Bader B. Automated, Efficient, and Practical Extreme Value Analysis with Environmental Applications. Brian Bader, 2016, 174 p.
Ларина О.И., Морыженкова Н.В. Перспективы цифровой трансформации денежных систем // Вестник университета. 2023. № 3. С. 169—177. URL: Link
