Международная литература по страхованию
Консалтинг

Журналы

Правила рецензирования научных статей. Правила направления и опубликования научных статей

Система качества издательства "Анкил"

Этические принципы издательства "Анкил"

Архив журналов

Контакты

Прайс-лист

Главное » Журналы » Управление Риском

Архив изданий:
2026 1 2 3 4 5 6
2025 1 2 3 3 4 5 6
2024 1 2 3 4 5 6
2023 1 2 3 4 5 6
2022 1 2 3 4 5 6
2021 1 2 3 4 5 6
2020 1 2 3 4 5 6
2019 1 2 3 4 5 6
2018 1 2 3 4 5 6
2017 1 2 3 4 5 6
2016 1 2 3 4 5 6
2015 1 2 3 4 5 6
2014 1 2 3 4 5 6
2013 1 2 3 4 5 6
2012 1 2 3 4 5 6
2011 1 2 3 4 5 6
2010 1 2 3 4 5 6
0000 1 2 3 4 5 6
0000 1 2 3 4 5 6 2013
0000 1 2 3 4 5 6 2013
0000 1 2 3 4 5 6

Управление Риском №4 - 2026

Управление финансовыми рисками

Алиев Т. А.
выпускник бакалавриата, факультет международных экономических отношений, МГИМО МИД России

Построение инвестиционного портфеля криптоактивов с использованием алгоритмов машинного обучения

В статье оценивается, обеспечивает ли сочетание прогноза доходности на основе машинного обучения и оптимизации Mean-CVaR статистически значимое улучшение риск-скорректированных показателей портфеля криптоактивов по сравнению с бенч марком иерархического паритета рисков (HRP). На дневных данных двадцати криптова лютных пар к доллару с биржи Binance за 2018–2025 годы по схеме расширяющегося сколь зящего окна (walk-forward) сопоставляются три стратегии: Mean-CVaR с прогнозами XGBoost, Mean-CVaR на исторических средних и HRP. Установлено, что CVaR-оптими зация статистически значимо превосходит HRP по коэффициенту Шарпа, тогда как добавление ML-прогноза значимой ценности не создает. Сформулированы выводы о прак тической применимости подхода для частного и институционального инвестора.

криптоактивы инвестиционный портфель машинное обучение CVaR XGBoost управление риском walk-forward

Constructing a Cryptocurrency Investment Portfolio Using Machine Learning Algorithms

The article evaluates whether combining a machine-learning return forecast with Mean-CVaR optimization yields a statistically significant improvement in the risk-adjusted performance of a crypto-asset portfolio relative to the Hierarchical Risk Parity (HRP) benchmark. Using daily data on twenty USDT cryptocurrency pairs from the Binance exchange for 2018–2025, three strategies are compared under an expanding walk-forward scheme: Mean-CVaR with XGBoost forecasts, Mean-CVaR on historical means, and HRP. CVaR optimization is shown to significantly outperform HRP by the Sharpe ratio, whereas adding the ML forecast provides no statistically significant value. Conclusions on the practical applicability of the approach for retail and institutional investors are formulated.

cryptocurrencies investment portfolio machine learning CVaR XGBoost risk management walk-forward