Исследователи предложили новый метод отбора акций, объединяющий классические принципы стоимостного инвестирования Бенджамина Грэма с современными моделями машинного обучения. Авторы используют фундаментальные финансовые показатели как математический фильтр для нейросетей, что позволяет отсеивать рыночный шум и краткосрочные колебания, фокусируясь на компаниях с устойчивой долгосрочной стоимостью и предсказуемыми показателями эффективности.

Современные алгоритмы часто склонны к переобучению на рыночных данных, принимая случайные флуктуации за значимые закономерности. Внедрение «фильтра низких частот» на основе классических правил стоимостного инвестирования ограничивает пространство поиска модели. Это заставляет ИИ анализировать только те активы, которые соответствуют базовым критериям финансового здоровья, что значительно повышает стабильность прогнозных моделей в условиях высокой волатильности.

Такой подход решает проблему интерпретируемости сложных моделей, делая процесс принятия инвестиционных решений более прозрачным. Сочетание жестких фундаментальных ограничений с гибкостью градиентного бустинга или глубоких нейронных сетей позволяет создавать стратегии, которые показывают более высокую доходность с поправкой на риск по сравнению с использованием исключительно «черных ящиков» на базе машинного обучения.

Ключевые факты

  • Метод использует правила Бенджамина Грэма в качестве математического фильтра для снижения уровня шума в данных.
  • Исследование подтверждает, что ограничение входных данных фундаментальными метриками снижает риск переобучения нейросетей.
  • Гибридная модель демонстрирует повышенную устойчивость к краткосрочным рыночным аномалиям.
  • Подход позволяет сочетать высокую предсказательную способность ML с консервативными принципами оценки активов.