Квантитативне моделювання портфельних стратегій з використанням alpha-сигналів на основі машинного навчання та бектестингу

Т. В. ШАБЕЛЬНИК, д-р екон. наук, проф. 

С. О. ЄВСЄЄВА, студентка

DOI: http://doi.org/10.35668/2520-6524-2026-1-07

PDF

Ключові слова: кількісне моделювання, машинне навчання, alpha-сигнали, портфельний бектестинг, фон- довий ринок, середньострокові стратегії, ризик-орієнтовані метрики.

АНОТАЦІЯ

У статті запропоновано квантитативну модель побудови ML-based alpha-сигналів та їхньої інте- грації в процедуру портфельного бектестингу в межах середньострокового інвестиційного горизонту. До- слідження базується на щоденних фінансових часових рядах ліквідних інструментів фондового ринку США та передбачає формування структурованого простору ознак, що охоплює цінові (price-based), волатильні (volatility-based) та агреговані внутрішньоденні (intraday-aggregated) характеристики. Навчання моделей організовано в часово узгодженому режимі з використанням rolling або expanding схем і строгого розді- лення train/validation/test вибірок, що мінімізує витік інформації та забезпечує коректність оцінювання про- гнозної здатності. Alpha-сигнали генеруються в дискретні моменти ребалансування як умовні оцінки очікуваної дохідності на заданому горизонті та інтегруються в процедуру формування портфеля. Ефективність підходу оцінюється через портфельний бектестинг із використанням стандартних ризик-орієнтованих метрик. Запропонований алгоритмічний pipeline поєднує машинне навчання та портфельний аналіз в єдину експериментальну сис- тему та забезпечує методологічне підґрунтя для оцінювання інвестиційної доцільності ML-based стратегій.

Надійшла до редакції 21.02.2026

Прийнята до друку 09.03.2026

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

  1. Gu S. Empirical Asset Pricing via Machine Learning / S. Gu, B. Kelly, D. Xiu // The Review of Financial Studies. — 2020. — Vol. 33. — Issue 5. — P. 2223– 2273. DOI: https://doi.org/10.1093/rfs/hhaa009.
  2. Bagnara M. Asset Pricing and Machine Learning: A critical review / Matteo Bagnara // Journal of Eco- nomic Sur-Veys. — 2024. — Vol. 38. — P. 27–56. DOI: 10.1111/joes.12532.
  3. Lopez de Prado M. Advances in Financial Machine Learning / M. Lopez de Prado. — Hoboken, NJ : John Wiley & Sons, 2018. — 400 p.
  4. Harvey C. R. Backtesting / C. R. Harvey, Y. Liu. — Available at SSRN 2345489. — 2015. — Jul 28.
  5. Bailey D. H. The Sharpe ratio efficient frontier /D. H. Bailey, M. López de Prado // The Journal of Risk. — 2012. — Vol. 15. — No. 2. — P. 3–44. DOI: https://doi.org/10.21314/JOR.2012.255.
  6. Nadler P. Empirical Asset Pricing with Functional Factors / Philip Nadler, Alessio Sancetta // Journal of Financial Econometrics. — 2023. — Vol. 21. — Issue 5. — P. 1258–1281. DOI: https://doi.org/ 10.1093/jjfinec/nbac003.
  7. Wang Z. Machine learning for stock return predic- tion: Transformers or simple neural networks? / Z. Wang // Finance Research Letters. — 2025. — Vol. 86. — Part F. — 108783. DOI: https://doi. org/10.1016/j.frl.2025.108783.
  8. Giglio S. Asset pricing with omitted factors / S. Gi- glio, D. Xiu // Journal of Political Economy. — 2021. — Vol. 129. — No. 7. — P. 1947–1990. — Access mode: https://www.journals.uchicago.edu/ doi/10.1086/714090.
  9. Identifying the system of value factors of green consumer choice / L. Potrashkova, V. Zaruba, D. Raiko, O. Yevsyeyev // Innovative Marketing. — 2024. — Vol. 20. — Issue 1. — P. 199–211. DOI: http://dx.doi.org/10.21511/im.20(1).2024.17.
  10. Modern Approach To Modeling Of Efficiency Of Financial Market Based On Methods Of Dyna- mic Programming / O. Maslyhan, T. Shabelnyk, O. Korolovych, N. Liba // Ефективна економіка. — 2022. — No. 9. DOI: http://doi.org/10.32702/2307- 2105.2022.9.7.
  11. Influence of regional financial market models on the structure of global financial assets / O. Bulatova, T. Shabelnyk, T. Marena, N. Reznikova // Advances in Economics, Business and Management Re- search (AEBMR): 6th International Conference on Strategies, Models and Technologies of Economic Systems Management (SMTESM 2019). Proceed- ings of the International Scientific Conference. — 2019. — Vol. 95. — P. 339–345. DOI: https://doi. org/10.2991/smtesm-19.2019.55
  12. Shabelnyk T. V. Approaches to optimize investment risks / T. V. Shabelnyk / Problems of Decision Mak- ing Under Uncertainties: Proceedings of the Inter- national Conference.. — 2018.
  13. Wang Y. Predicting Stock Prices Based on Machine Learning to Build Self-adaptive Trading Strategy / Y. Wang, P. Huang, J. Luo // Computational Econom- ics. — 2025. DOI: 10.1007/s10614-025-11054-4.
  14. Forecasting high-frequency excess stock returns via data analytics and machine learning / E. Akyildi- rim, D. Khuong Nguyen, A. Sensoy, M. Šikić // In- ternational Review of Financial Analysis. — 2023. — Vol. 29. — Issue 1. — P. 22–75. DOI: https://doi. org/10.1111/eufm.12345.

Ліцензія
Авторське право (c) 2026 Журнал «Наука, технології, інновації»

Усі матеріали, опубліковані в поточному випуску журналу, поширюються на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0): https://creativecommons.org/licenses/by-nc/4.0/deed.uk
Ліцензія дозволяє вільне некомерційне використання, поширення, відтворення та адаптацію матеріалів у будь-якому форматі за умови обов’язкового зазначення авторства і посилання на джерело публікації. Комерційне використання матеріалів допускається лише за наявності письмового дозволу видавця.