В статье проводится обзор и анализ перспективного направления портфельного анализа, основанного на использовании методов машинного обучения. Рассмотрены проблемы традиционных подходов к управлению портфелем и их ограничения, а также преимущества методов машинного обучения в анализе больших объёмов данных и построении нелинейных моделей. Представлена классификация алгоритмов машинного обучения для оптимизации портфелей ценных бумаг, выделены три типа алгоритмов: надзорное обучение для предсказания доходности активов, безнадзорное обучение для кластеризации рисков и усиленное обучение для адаптации портфеля в реальном времени. Представлены ключевые ограничения и риски использования алгоритмов машинного обучения в рамках анализа портфелей ценных бумаг. Рассмотрены такие перспективные разработки в области алгоритмов машинного обучения, как глубокие нейронные сети, графовые модели и байесовская статистика, для оптимизации портфелей ценных бумаг.
The article provides an overview and analysis of a promising area of portfolio analysis based on the use of machine learning methods. The problems of traditional approaches to portfolio management and their limitations are considered, as well as the advantages of machine learning methods in analyzing large amounts of data and building nonlinear models. A classification of machine learning algorithms for optimizing securities portfolios is presented, and three types of algorithms are identified: supervised learning for predicting asset returns, unsupervised learning for risk clustering, and enhanced learning for real-time portfolio adaptation. The key limitations and risks of using machine learning algorithms in the framework of securities portfolio analysis are presented. Promising developments in the field of machine learning algorithms such as deep neural networks, graph models, and Bayesian statistics for optimizing securities portfolios are considered.