Интеллектуальный анализ данных на индийских фондовых рынках: создание портфелей с низким уровнем риска

За последние 50 лет академики выявили более 300 факторов, которые потенциально влияют на доходность акций. Тем не менее мы по-прежнему не знаем, являются ли все факторы доходности одинаково важными или существует небольшой набор таких факторов, которые оказывают большее влияние на доходность акций. Помогут ли исторические данные по майнингу определить эти факторы доходности? Используя исторические данные индийского рынка, мы создали базу данных по 74 000 инвестициям в течение 132 месяцев. Из этой базы данных, используя метод «анализа ассоциативных правил», мы можем извлечь «факторы доходности», которые чаще встречаются в инвестициях и повышают индекс доходности. Из пула 37 факторов рентабельности, используя «ассоциативные правила», мы получили небольшой набор «ключевых» детерминирующих факторов, которые наиболее часто встречаются в инвестициях и повышают индекс доходности в Индии. Портфели, созданные на основе этих «правил ассоциации», имеют более низкий портфельный риск, чем рыночный риск, и обеспечивают большую отдачу от индексов. Портфели, созданные с использованием этих правил, имеют менее одного «Бета» в портфеле и обеспечивают прибыль, которая превосходит рыночную прибыль по полученной марже за весь период владения им на индийском рынке. С помощью этой статьи мы демонстрируем, как портфельные менеджеры могут использовать «правила ассоциации» и создавать портфели без каких-либо ограничений по количеству факторов, которые могут быть включены в процесс отбора.

1. Green J., Hand J., Zhang F. The remarkable multidimensionality in the cross-section of expected US stock returns. SSRN Electronic Journal. 2014. DOI: 10.2139/ssrn.2262374

2. Basu S. Investment performance of common stocks in relation to their price‐earnings ratios: A test of the efficient market hypothesis. The Journal of Finance. 1977;32(3):663–682. DOI: 10.1111/j.1540–6261.1977.tb01979.x

3. Trevino R., Robertson F. P/E ratios and stock market returns. Journal of Financial Planning. 2002;15(2):76–84.

4. Park S. The P/E ratio, the business cycle, and timing the stock market. The Journal of Portfolio Management. 2021;47(8):165–183. DOI: 10.3905/jpm.2021.1.270

5. Bhandari L. C. Debt/equity ratio and expected common stock returns: Empirical evidence. The Journal of Finance. 1988;43(2):507–528. DOI: 10.1111/j.1540–6261.1988.tb03952.x

6. Barbee W. C., Jr., Mukherji S., Raines G. A. Do sales-price and debt-equity explain stock returns better than book-market and firm size? Financial Analysts Journal. 1996;52(2):56–60. DOI: 10.2469/faj.v52.n2.1980

7. Obreja I. Book-to-market equity, financial leverage, and the cross-section of stock returns. The Review of Financial Studies. 2013;26(5):1146–1189. DOI: 10.1093/rfs/hhs180

8. Fama E. F., French K. R. The cross-section of expected stock returns. The Journal of Finance. 1992;47(2):427– 465. DOI: 10.1111/j.1540–6261.1992.tb04398.x

9. Alquist R., Israel R., Moskowitz T. Fact, fiction, and the size effect. The Journal of Portfolio Management. 2018;45(1):34–61. DOI: 10.3905/jpm.2018.1.082

10. Ball R., Gerakos J., Linnainmaa J. T., Nikolaev V. Earnings, retained earnings, and book-to-market in the cross section of expected returns. Journal of Financial Economics. 2020;135(1):231–254. DOI: 10.1016/j.jfineco.2019.05.013

11. Harvey C. R., Liu Y., Zhu H. … and the cross-section of expected returns. The Review of Financial Studies. 2016;29(1):5–68. DOI: 10.1093/rfs/hhv059

12. Cochrane J. H. Presidential address: Discount rates. The Journal of Finance. 2011;66(4):1047–1108. DOI: 10.1111/j.1540–6261.2011.01671.x

13. Efimova O. V., Volkov M. A., Koroleva D. A. The impact of ESG factors on asset returns: Empirical research. Finance: Theory and Practice. 2021;25(4):82–97. DOI: 10.26794/2587–5671–2021–25–4–82–97

14. Breedt A., Ciliberti S., Gualdi S., Seager P. Is ESG an equity factor or just an investment guide? The Journal of Investing. 2019;28(2):32–42. DOI: 10.3905/joi.2019.28.2.032

15. Giese G., Lee L.-E., Melas D., Nagy Z., Nishikawa L. Foundations of ESG investing: How ESG affects equity valuation, risk, and performance. The Journal of Portfolio Management. 2019;45(5):69–83. DOI: 10.3905/jpm.2019.45.5.069

16. Goyal A. Empirical cross-sectional asset pricing: A survey. Financial Markets and Portfolio Management. 2012;26(1):3–38. DOI: 10.1007/s11408–011–0177–7

17. Sorensen E. H. The golden age of quant. The Journal of Portfolio Management. 2019;46(1):12–24. URL: https://www.panagora.com/wp-content/uploads/JPM-The-Golden-Age-of-Quant.pdf

18. Wu X., Ye Q., Hong H., Li Y. Stock selection model based on machine learning with wisdom of experts and crowds. IEEE Intelligent Systems. 2020;35(2):54–64. DOI: 10.1109/MIS.2020.2973626

19. Li Y., Pan Y. A novel ensemble deep learning model for stock prediction based on stock prices and news. International Journal of Data Science and Analytics. 2022;13(2):139–149. DOI: 10.1007/s41060–021–00279–9

20. Rasekhschaffe K. C., Jones R. C. Machine learning for stock selection. Financial Analysts Journal. 2019;75(3):70–88. DOI: 10.1080/0015198X.2019.1596678

21. Weigand A. Machine learning in empirical asset pricing. Financial Markets and Portfolio Management. 2019;33(1):93– 104. DOI: 10.1007/s11408–019–00326–3

22. Bartram S. M., Branke J., De Rossi G., Motahari M. Machine learning for active portfolio management. The Journal of Financial Data Science. 2021;3(3):9–30. DOI: 10.3905/jfds.2021.1.071

23. Rai A. An overview of association rule mining & its applications. upGrad Education Private Limited. Sep. 28, 2022. URL: https://www.upgrad.com/blog/association-rule-mining-an-overview-and-its-applications/