Разделы: Информационные технологии
Размещена 12.05.2026. Последняя правка: 11.05.2026.
Просмотров - 153

ПРИМЕНЕНИЕ МЕТОДОВ ОПТИМИЗАЦИИ В УПРАВЛЕНИИ ФИНАНСАМИ

Шитухина Анна Николаевна

-

Финансовый университет при Правительстве РФ

студент

Христюк Е.А., преподаватель кафедры «Прикладная математика и информатика», Финансовый университет при Правительстве РФ, Краснодарский филиал

УДК 338.2

Введение.

В наше время, когда экономика нестабильна и всё вокруг постоянно меняется, особенно важно знать, как правильно распоряжаться деньгами. И крупным компаниям, и малому бизнесу, да и просто частным инвесторам нужно не только сохранить свои сбережения, но и приумножить их. При этом очень важно поменьше рисковать и быстро подстраиваться под любые новые вызовы рынка. В такой ситуации навести порядок в финансовых процессах выходит на первый план, становясь чуть ли не главным делом для самых разных организаций. Это становится особенно актуально, ведь финансовые инструменты всё время усложняются, появляются новые технологии для анализа информации, и людям всё больше нужно принимать обдуманные решения о вложениях, когда непонятно, что будет завтра. Привычные методы управления уже не всегда могут обещать ни нужную прибыль, ни стабильность. Это заставляет искать новые, современные решения, которые строятся на математических моделях и самых свежих информационных технологиях.

В работе приводится новый взгляд на то, как можно улучшить управление финансами. Изучаются разные методы, особенно те, что проверены временем. Говорится и о давно известных подходах к тому, как собирать инвестиционный портфель, и о совсем свежих методах, которые используют машинное обучение и статистический анализ.

Актуальность.

Актуальность темы обусловлена такими факторами, как: усложнение финансовых инструментов и появлением новых классов активов; ограниченность классических моделей; активным внедрением технологий машинного обучения и больших данных в финансовый анализ.

Сегодня на первый план выходит способность финансовых систем быстро адаптироваться к вызовам рынка, что делает совершенствование методов оптимизации одной из приоритетных задач.

Цели и задачи.

Главная цель статьи — собрать воедино и проанализировать современные способы улучшения финансового управления, а также понять, что в них хорошо, а что плохо, учитывая сегодняшние экономические условия. 

Для ее достижения были поставлены следующие задачи:

1. Рассмотреть основные подходы к финансовому моделированию, повышающие устойчивость финансовой системы.

2. Проанализировать методы оптимизации и прогнозирования структуры портфеля ценных бумаг.

3. Изучить кумулянтный квантильный подход для оценки рисков (VaR, CVaR).

4. Исследовать современные стратегии распределения активов (стратегическое, тактическое, ребалансировка).

5. Оценить эффективность финансового менеджмента на примере конкретных показателей (ROA, ликвидность, автономия и др.)

Научная новизна.

Научная новизна работы заключается в следующем:

1. В отличие от большинства исследований, рассматривающих модели Марковица, машинное обучение или квантильные меры риска по отдельности, в данной работе предложена интеграция: классическая дисперсионная оптимизация дополняется кумулянтной аппроксимацией квантилей (для учета тяжелых хвостов распределения) и алгоритмами машинного обучения (для выявления нелинейных зависимостей).

2. В работе обосновано включение элементов поведенческих финансов в оптимизационные модели, что позволяет учитывать психологические иррациональности участников рынка. Этого аспекта недостает в большинстве прикладных работ по финансовому моделированию.

3. Конкретизировано, как именно кумулянтная аппроксимация квантилей (Левченко и др.) может быть использована для улучшения оценки CVaR в портфелях со сложными активами, что ранее подробно не раскрывалось в контексте российской практики.

4. Помимо традиционных ROA и ликвидности, в работе показано, как использование данных методов снижает стоимость заемного капитала и повышает скорость оборачиваемости, что является конкретным измеримым вкладом в оценку финансового менеджмента.

Таким образом, новизна статьи состоит в системной интеграции методологий (от классики до ML и кумулянтных мер), адаптации их к задачам управления финансами предприятия/инвестора и в выделении практических критериев оценки эффективности, что отличает данное исследование от работ, фокусирующихся только на одном методе (например, только на модели Марковица или только на машинном обучении без связи с рисками хвостов).

Результаты.

1. Финансовое моделирование.

Выявлено, что современные модели должны включать не только макроэкономические, но и микроэкономические параметры, а также сценарии редких событий. Добавление идей поведенческих финансов повышает устойчивость системы.

2. Оптимизация портфеля.

Классическая модель Марковица дополняется стохастическим программированием, динамической оптимизацией и методами машинного обучения (нейронные сети, Random Forest, Gradient Boosting, ансамблевые методы). Это позволяет учитывать транзакционные издержки, налоги, минимальные доли активов и нелинейные связи.

3. Кумулянтная аппроксимация квантилей (VaR, CVaR).

Данный подход, в отличие от нормального распределения, учитывает асимметрию и эксцесс (тяжелые хвосты), что критически важно при турбулентности рынка. Использование кумулянтов повышает точность оценки вероятности экстремальных убытков. 

4. Оценка эффективности.
Показано, что внедрение современных методов улучшает рентабельность активов (ROA), оборачиваемость, ликвидность и коэффициент автономии. Сравнение с конкурентами проводится с помощью рыночных мультипликаторов. 

Сегодня финансовая стабильность во многом зависит от того, насколько качественные и современные модели управления мы применяем. Старые подходы к финансовому моделированию уже не годятся в неизменном виде — их нужно постоянно улучшать, чтобы они отвечали новым требованиям рынка. Теперь уже недостаточно опираться только на привычные макроэкономические показатели: в модели важно включать и микроэкономические параметры, а ещё рассматривать сценарии редких, но потенциально очень разрушительных событий. Такой подход позволяет нам строить более надёжные стратегии управления деньгами и уменьшать риск крупных потерь.

Когда финансовые модели становятся сложнее, закладывается основа для того, чтобы появились более продвинутые инструменты для анализа. Именно так появляются современные способы предсказывать будущее и делать инвестиционные портфели более оптимальными. Сейчас, когда рынок очень нестабилен, а на финансовом поле то и дело возникают новые виды активов, старые модели часто перестают быть гибкими. Поэтому особенно важно придумывать сценарии, которые учитывают не просто обычные рыночные скачки, но и возможные критические ситуации. Это даёт инвесторам шанс заранее понять, что может пойти не так, и подготовить защитные меры[1].

К тому же, в последние годы в современные финансовые модели всё чаще стали добавлять идеи из поведенческих финансов. Это помогает учитывать, что люди на рынке не всегда действуют логично, и как их психология влияет на выбор. В итоге, система управления деньгами становится более полной и устойчивой, способной справляться как с привычными, так и с необычными трудностями. Оптимизировать инвестиционный портфель – это значит найти такое сочетание разных активов, при котором получается самый выгодный баланс между ожидаемой прибылью и тем риском, который человек готов взять на себя. Чтобы решить эту задачу, используют много разных математических методов.

Один из классических подходов — это теория Марковица, или оптимизация среднего и дисперсии. Её главная мысль: если нужно получить определённый доход, то требуется постараться сделать риск (разброс) как можно меньше. Или наоборот, если риск задан, то можно получить максимальный доход. Так получается то, что называют «эффективной границей» — список портфелей, где каждый из них считается самым лучшим по соотношению, сколько риска берется и сколько прибыли ожидается. Но у этой модели есть большая проблема: она предполагает, что доходности распределены по нормально, а это не всегда так на реальном рынке. Из-за этого некоторые риски можно просто не увидеть или недооценить. В последние годы всё чаще стали использовать более гибкие и современные способы. Например, это стохастическое программирование, динамическая оптимизация и модели, которые работают с целыми числами. Они помогают учесть разные дополнительные правила, скажем, сколько минимум активов должно быть в портфеле или какая должна быть их доля. С помощью таких подходов можно строить модели, где связи не прямые, а более сложные. Ещё они позволяют добавить в расчёты комиссии за сделки, налоги и другие настоящие ограничения [2].

Ещё один важный блок — это методы машинного обучения. Их всё чаще используют и для того, чтобы предсказывать, как поведёт себя рынок, и для того, чтобы портфель был составлен наилучшим образом. В отличие от статистических моделей, алгоритмы машинного обучения умеют находить сложные, не сразу заметные связи между тем, что происходит на рынке, и тем, сколько прибыли приносят разные активы. Для этого применяют нейронные сети (и те, что хорошо подходят для анализа данных во времени), деревья решений (например, Random Forest или Gradient Boosting), а ещё ансамблевые методы (как бэггинг или бустинг).

Эти инструменты помогают делать более точные прогнозы цен и собирать портфели, учитывая, какой риск готов взять инвестор и какую прибыль он хочет получить. Но чтобы эти технологии заработали, нужны хорошие данные: это и старые котировки, и общие экономические показатели, и свежие новости. К тому же, чтобы пользоваться такими инструментами, нужны очень хорошо подготовленные специалисты.

И всё же возможности улучшить управление портфелем огромны: алгоритмы машинного обучения могут находить скрытые связи и очень гибко менять стратегию под то, как меняется рынок. Однако даже самые умные модели не смогут полностью уберечь от всех неожиданностей. Вот почему так важно очень точно оценивать риски. Далее приведенные способы помогают лучше понять, какие убытки могут быть.

Один из таких способов — это так называемая кумулянтная аппроксимация квантилей для оценки стоимости портфеля. Такой подход помогает увидеть не только стандартные параметры, но и то, как сильно доходность смещена, а также эксцесс, есть ли множество экстремальных значений [3].

Это особенно важно для портфелей, в которых присутствуют сложные или необычные активы, а также когда на рынке состояние турбулентности. Идея тут в том, чтобы не просто предполагать, что все распределено "нормально", а использовать более гибкий способ, который опирается на кумулянты — это продвинутые статистические параметры. Благодаря этому можно гораздо точнее предсказать вероятность очень больших, даже экстремальных убытков, то есть показать, как выглядят самые "тяжёлые хвосты" в распределении рисков. Так получается, что оценка возможных потерь становится намного ближе к реальности, чем если бы использовались старые методы. Кумулянтную аппроксимацию часто используют, когда нужно посчитать главные показатели риска, например, Value at Risk (VaR) и Conditional Value at Risk (CVaR). Это позволяет ставить такие задачи по оптимизации, где учитывается не только средняя прибыль и разброс, но и шанс получить очень большие потери. В итоге портфель становится более защищённым от неожиданных изменений на рынке [4].

Даже если имеются самые точные модели для оценки рисков, это всё равно не гарантирует, что инвестиционная стратегия сработает гарантированно. Ведь многое зависит от того, как именно активы распределены по портфелю, и насколько быстро мы можем управлять ими в постоянно меняющихся условиях. Поэтому очень важно обратить внимание на то, как на практике размещать ценные бумаги и как вообще организовать весь процесс управления.

Хорошо управлять портфелем — это не просто правильно выбрать, во что вложиться, но и постоянно следить за тем, как распределены ваши инвестиции. В зависимости от того, что происходит на рынке, используют разные стратегии. Их можно условно поделить на три главных типа: стратегическое распределение (как мы в принципе делим активы), тактические корректировки (мелкие изменения под ситуацию) и регулярная ребалансировка (когда приводим портфель к исходным пропорциям). Главные особенности каждого из этих подходов собраны в таблицу.

Чтобы оценить, как эффективно компания управляет своим капиталом, обычно смотрят на целый набор важных показателей. Среди них – сколько прибыли приносят активы (это называется рентабельность активов, или ROA), как быстро оборачиваются деньги, откуда компания берет средства (свои это деньги или заемные). Ещё обязательно учитывают, насколько фирма устойчива, например, хватит ли ей денег на ближайшие расходы (это показывают коэффициенты ликвидности) и насколько она независима (коэффициент автономии) [5].

Если компания начинает использовать более современные и умные методы, это помогает улучшить текущие финансовые показатели – например, за счёт того, что деньги для бизнеса обходятся дешевле или оборачиваются быстрее. Такие подходы также закладывают прочную основу для того, чтобы бизнес развивался стабильно и долго. При этом оценивают эффективность как по обычным суммам, вроде прибыли, так и по относительным цифрам, особенно по рентабельности. Ещё во время анализа часто смотрят на рыночные мультипликаторы. Они нужны, чтобы сравнить компанию с её конкурентами и посмотреть, соответствует ли она общим стандартам в своей сфере. Анализ того, как сейчас компании пытаются улучшить своё финансовое управление, показывает: всё чаще в этой работе используют математику, статистику и разные информационные технологии. Это очень востребовано на практике.

Заключение.

Развитие разных моделей для финансового планирования делает всю финансовую систему гораздо более стабильной. Например, машинное обучение открывает новые пути для того, чтобы предсказывать прибыль и находить самые удачные сочетания в инвестициях. Есть и продвинутый метод, кумулянтная аппроксимация квантилей, который позволяет очень точно оценивать риски, особенно связанные с редкими, но серьёзными ситуациями. А современные подходы к тому, как размещать активы, дают нужную гибкость в управлении, даже когда на рынке царит большая неопределённость.

В общем, анализ показывает: если компании внедряют современные способы для улучшения финансового управления, это заметно улучшает их финансовое положение и делает сильнее на рынке. В будущем развитие этого направления будет тесно связано с более глубоким внедрением искусственного интеллекта, активным использованием огромных объёмов данных (Big Data) для анализа, а также с созданием таких моделей, которые смогут предвидеть, как глобальные экономические изменения влияют на ситуацию.

1. Петрушевская В.В. Совершенствование подходов к финансовому моделированию при повышении устойчивости финансовой системы / В.В. Петрушевская, В.Л. Шангареева // Финансовый менеджмент. – 2025. – № 5. – С. 34-42.
2. Добрина М.В. Оптимизация и прогнозирование портфеля ценных бумаг на основе методов машинного обучения / М.В. Добрина, В.П. Чернов // Проблемы экономики и юридической практики. – 2024. – Т. 20, № 4. – С. 258-267.
3. Левченко В.О. Оптимизация фондового портфеля на основе кумулянтной аппроксимации квантилей функции распределения стоимости портфеля / В.О. Левченко, О.В. Левченко // Вестник Самарского университета. Экономика и управление. – 2025.
4. Меджидов М. Методы позиционирования и управления портфелем ценных бумаг / М. Меджидов // Проблемы экономики и юридической практики. – 2023.
5. Калустов А.А. Оценка эффективности финансового менеджмента субъектов бизнеса: диссертация кандидата экономических наук / Калустов Арутюн Аванесович. – Краснодар, 2025. – 164 с.

Рецензии:

12.05.2026, 16:38 Нурмухамедов Толаниддин Рамзиддинович
Рецензия: Т.Р.Нурмухамедов, д.т.н., профессор Статья оформлена согласно требованиям: отражена актуальность, цели и задачи исследования, новизна полученных результатов, отражены результаты полученные в ходе выпоненной НИР, прведен список использованной литературы, а также ссылки в тексте. Считаю возможным опубликование данной работы



Комментарии пользователей:

Оставить комментарий