ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Методичне забезпечення прогнозування зміни вартості інвестиційного модельного портфеля
Кузнецова С. О., Корешников Ф. Ю.

Кузнецова С. О., Корешников Ф. Ю. Методичне забезпечення прогнозування зміни вартості інвестиційного модельного портфеля. Бізнес Інформ. 2025. №6. C. 20–20.
https://doi.org/10.32983/2222-4459-2025-6-20-20

Розділ: Інвестиційні процеси

Стаття написана українською мовою
Завантажень/переглядів: 0

УДК 336.76:519.86

Анотація:
У статті досліджено комплексне методичне забезпечення прогнозування зміни вартості інвестиційного модельного портфеля з урахуванням сучасних викликів глобального фінансового середовища. Визначено, що зростаюча роль інституціональних інвесторів та відкритих фондів на міжнародному ринку капіталу підвищує необхідність розробки точних, адаптивних і пояснюваних моделей прогнозування. Проаналізовано структурні зміни у складі світових інвестиційних активів, зокрема домінування акціонерного компонента, що обумовлює підвищену волатильність і ускладнює прогнозування вартості портфелів. Окрему увагу приділено порівнянню ефективності традиційних економетричних моделей (ARIMA, VAR, GARCH, LASSO) та сучасних методів машинного навчання (Random Forest, XGBoost, LSTM) у завданнях прогнозування дохідності та ризику. Обґрунтовано доцільність використання ансамблевих підходів до моделювання, що поєднують переваги різних методів і дозволяють досягти вищої стабільності результатів. Запропоновано інтегрований методичний підхід, який включає підготовку та структуризацію даних, побудову множинних моделей, їх оцінювання на основі статистичних та економічних критеріїв, програмну реалізацію та застосування результатів у практичному управлінні портфелем. Також окреслено ризики та обмеження, пов’язані з ефектом зміни ринкових режимів (concept drift) і складністю інтерпретації моделей глибокого навчання, що вимагає регулярного оновлення моделей і застосування XAI-технологій. Наукова новизна дослідження полягає у формалізації методології, яка враховує не лише прогностичну точність, а й адаптивність до ринкових змін, можливість перенавчання та інструменти практичного впровадження в процеси стратегічного управління активами. Отримані результати підтверджують ефективність комплексного підходу до прогнозування вартості портфеля як інструменту підвищення точності управлінських рішень в інвестиційній діяльності.

Ключові слова: інвестиційний портфель, прогнозування вартості, економетричні моделі, машинне навчання, структура активів, ризик портфеля, адаптивне моделювання.

Рис.: 2. Табл.: 1. Бібл.: 16.

Кузнецова Світлана Олександрівна – кандидат економічних наук, доцент, доцент, кафедра обліку і фінансів, Національний технічний університет «Харківський політехнічний інститут» (вул. Кирпичова, 2, Харків, 61002, Україна)
Email: [email protected]
Корешников Федір Юрійович – аспірант, кафедра обліку і фінансів, Національний технічний університет «Харківський політехнічний інститут» (вул. Кирпичова, 2, Харків, 61002, Україна)
Email: [email protected]

Список використаних у статті джерел

Гіріна О. Б., Івченко В. П. Багатокритеріальна оптимізація структури портфеля реальних інвестицій. Економіка та суспільство. 2023. Вип. 50. DOI: https://doi.org/10.32782/2524-0072/2023-50-37
Гулик Т. В., Кравець В. В. Сфера застосування моделі CAPM у аналізі методів оцінки ризиків. Економіка та суспільство. 2024. Вип. 69. DOI: https://doi.org/10.32782/2524-0072/2024-69-132
Захаркін О. О., Захаркіна Л. С., Сергеєв А. М. Порівняльний аналіз ефективності ETF-фондів як інструментів пасивного інвестування. Проблеми сучасних трансформацій. Серія «Економіка та управління». 2025. № 18. DOI: https://doi.org/10.54929/2786-5738-2025-18-08-03
Black F., Litterman R. Global Portfolio Optimization. Financial Analysts’ Journal. 1992. Vol. 48. No. 5. P. 28–43. DOI: https://doi.org/10.2469/faj.v48.n5.28
Bessler W., Wolff D. Portfolio Optimization with Sector Return Prediction Models. Journal of Risk and Financial Management. 2024. Vol. 17. No. 6. DOI: https://doi.org/10.3390/jrfm17060254
Bessler W., Wolff D. Do Commodities add Value in Multi-Asset-Portfolios? An Out-of-Sample Analysis for different Investment Strategies. Journal of Banking and Finance. 2015. Vol. 60. P. 1–20. DOI: https://doi.org/10.1016/j.jbankfin.2015.06.021
Chun D., Kang J., Kim J. Forecasting returns with machine learning and optimizing global portfolios: evidence from the Korean and U.S. stock markets. Financial Innovation. 2024. Vol. 10. Art. 124. DOI: https://doi.org/10.1186/s40854-024-00648-w
Soleymani F., Paquet E. Deep graph convolutional reinforcement learning for financial portfolio management – DeepPocket. Expert Systems with Applications. 2021. Vol. 182. Art. 115127. DOI: https://doi.org/10.1016/j.eswa.2021.115127
Gu S., Kelly B., Xiu D. Empirical Asset Pricing via Machine Learning. The Review of Financial Studies. 2020. Vol. 33. Iss. 5. P. 2223–2273. DOI: https://doi.org/10.1093/rfs/hhaa009
Kelly B., Pruitt S. The three-pass regression filter: A new approach to forecasting using many predictors. Journal of Econometrics. 2015. Vol. 186. Iss. 2. P. 294–316. DOI: https://doi.org/10.1016/j.jeconom.2015.02.011
Neely C. J., Rapach D. E., Tu J., Zhou G. Forecasting the Equity Risk Premium: The Role of Technical Indicators. Management Science. 2014. Vol. 60. Iss. 7. P. 1617–1859. DOI: https://doi.org/10.1287/mnsc.2013.1838
Rapach D. E., Strauss J. K., Zhou G. Out-of-sample equity premium prediction: Combination forecasts and links to the real economy. Review of Financial Studies. 2010. Vol. 23. Iss. 2. P. 821–862. DOI: https://doi.org/10.2139/ssrn.1257858
Statista. URL: https://www.statista.com/
Sutiene K., Schwendner P., Sipos C. et al. Enhancing portfolio management using artificial intelligence: literature review. Frontiers in Artificial Intelligence. 2024. Vol. 7. Art. 1371502. DOI: https://doi.org/10.3389/frai.2024.1371502
Tran P., Pham T. K. A., Phan H. T., Nguyen C. V. Applying machine learning algorithms to predict the stock price trend in the stock market – The case of Vietnam. Humanities and Social Sciences Communications. 2024. Vol. 11. Art. 393. DOI: https://doi.org/10.1057/s41599-024-02807-x
Wang J. Application of Portfolio Price Forecasting Based on ARIMA-GARCH Model. Advances in Intelligent Systems. Proceedings of ICAID 2023. Vol. 9. P. 296–303. DOI: https://doi.org/10.2991/978-94-6463-222-4_31

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру