Стоимостный портфель роста по методу Монте-Карло

---

Введение в метод Монте-Карло

Метод Монте-Карло — это мощный статистический инструмент, который позволяет моделировать сложные системы с учетом случайных факторов. Его название происходит от знаменитого казино в Монако, поскольку метод основан на генерации случайных чисел и многократном повторении экспериментов.

Интересный факт: американское космическое агентство NASA активно использует метод Монте-Карло для анализа рисков космических миссий. Например, при планировании полетов к Марсу этот метод помогает оценить вероятность успешного выполнения миссии с учетом множества неопределенных факторов — от технических сбоев до погодных условий на Красной планете.

В финансах метод Монте-Карло применяется не менее широко. Все крупные американские инвестиционные банки (JPMorgan, Goldman Sachs, Morgan Stanley и другие) используют его для:

1. Оптимизации портфелей
2. Хеджирования рисков
3. Стресс-тестирования инвестиционных стратегий
4. Оценки Value-at-Risk (VaR)

Центральный банк России также применяет этот метод для стресс-тестов российской экономики, моделируя различные сценарии развития событий при изменении ключевых макроэкономических показателей.

От дивидендного к стоимостному портфелю

Изначально мной был создан дивидендный портфель по методу Монте-Карло, который показывает хорошие результаты. Однако затем возникла идея протестировать альтернативный подход — стоимостный портфель с элементами портфеля роста. Основные отличия нового подхода:

1. Акцент на рост капитала, а не на дивиденды
2. Измененные параметры оптимизации (коэффициент Шарпа, Сортино)
3. Другие весовые коэффициенты при отборе акций
4. Увеличение количества акций в портфеле с 7 до 12
5. Учет “толстых хвостов” и “черных лебедей” в распределении доходностей

Процесс создания портфеля

1. Первоначальный отбор акций

Из 44 потенциальных кандидатов вручную были отобраны 30 акций. Критерии отбора:

• Фундаментальные показатели: P/E, P/B, Debt/Equity, ROE, EV/EBITDA
• Финансовая устойчивость: стабильность денежных потоков, уровень долговой нагрузки
• Ликвидность: среднедневные объемы торгов
• История котировок: достаточный период для анализа

Важно подчеркнуть, что отбор проводился не “на глазок”, а на основе строгих количественных критериев. Были выбраны действительно самые устойчивые компании с хорошими перспективами роста.

2. Компьютерное моделирование

Из 30 предварительно отобранных акций программа выбрала 12 лучших по следующим параметрам:

1. Коэффициент Шарпа (минимум 0.5) — измеряет доходность с поправкой на риск
2. Коэффициент Сортино — аналогичен Шарпу, но учитывает только downside-волатильность
3. Бета-коэффициент (минимум 0.1) — чувствительность к рынку
4. Годовая доходность
5. Дивидендная доходность (хоть портфель и стоимостной, дивиденды остаются важным фактором)
6. Период анализа 36 месяцев

Далее было проведено моделирование 500 000 портфелей с разными весами этих 12 акций. Для каждого портфеля рассчитывались:

• Ожидаемая доходность
• Риск (волатильность)
• Коэффициент Шарпа
• Максимальная просадка
• Дивидендная доходность

3. Выбор оптимального портфеля

Из всех смоделированных вариантов был выбран портфель, который показывает:

• Максимальный рост при приемлемом уровне риска
• Сбалансированное распределение между секторами
• Умеренную дивидендную доходность (около 10%)
• Хорошие значения коэффициентов Шарпа и Сортино

Особенности данного подхода

1. Учет “толстых хвостов“
   В классической теории портфеля предполагается нормальное распределение доходностей. Однако в реальности рынки часто демонстрируют “толстые хвосты” — экстремальные события происходят чаще, чем предсказывает нормальное распределение. В данной модели использовались специальные распределения (t-распределение и модель со скачками), чтобы лучше учесть этот эффект.
2. Ребалансировка каждые 3 месяца
   Портфель будет пересматриваться раз в квартал, чтобы оставаться ближе к “скользящей средней максимальной доходности”. Это позволяет:

• Фиксировать часть прибыли
• Уменьшать риск за счет своевременного избавления от проседающих активов
• Подстраиваться под меняющиеся рыночные условия

3. Гибкие параметры
В отличие от дивидендного портфеля, где основной акцент был на дивидендную доходность, здесь параметры оптимизации были изменены:

• Больший вес придается общей доходности
• Уменьшено значение целевой дивидендной доходности (с 15% до 8%)
• Ужесточены требования к коэффициенту Шарпа

Техническая реализация

Для реализации этого подхода был написан компьютерный код, который:

1. Загружает исторические данные по ценам и дивидендам с MOEX
2. Рассчитывает доходности с учетом реинвестирования дивидендов
3. Анализирует распределение доходностей (эксцесс, асимметрия)
4. Автоматически выбирает подходящее распределение (нормальное, t-распределение или модель со скачками)
5. Генерирует 500 000 случайных портфелей
6. Выбирает оптимальный по заданным критериям

Код учитывает множество нюансов:

• Проблемы с загрузкой данных (повторные попытки)
• Ручное добавление данных, если они недоступны на MOEX
• Разные методы расчета доходности (с реинвестированием дивидендов и без)
• Автоматический выбор распределения на основе анализа исторических данных

Визуализация результатов

График 1: Все смоделированные портфели и оптимальный (красная звезда)

График 2: Состав оптимального портфеля

Заключение и предупреждение

Этот стоимостный портфель роста создан в рамках тестирования инвестиционной гипотезы. Он не является инвестиционной рекомендацией. Если кто-то захочет повторить этот портфель у себя, то делает это на свой страх и риск.

Основные выводы:

1. Научный подход вместо гаданий – портфель строится не на интуиции, прогнозах аналитиков/блогеров или «горячих» акциях, а на строгих математических методах: статистическом моделировании, анализе распределения доходностей и многокритериальной оптимизации.
2. Метод Монте-Карло — мощный инструмент для создания сбалансированных портфелей, доказавший свою эффективность в финансах, инженерии и даже космических расчетах.
3. Стоимостный подход с акцентом на рост идеально подходит для инвесторов, находящихся на этапе накопления капитала, а не живущих на доход от инвестиций. Это стратегия для тех, кто ориентирован на долгосрочное увеличение активов, а не на текущие дивидендные выплаты.
4. Учет «толстых хвостов» (редких, но сильных рыночных движений) и регулярная ребалансировка помогают снизить риски и избежать перекоса портфеля.
5. Оптимальный портфель — это всегда компромисс между доходностью и риском, а не поиск «идеальных» акций.
6. Прозрачность и системность – все решения основаны на данных, алгоритмах и четких правилах, что исключает эмоции и субъективные оценки из инвестиционного процесса.

В дальнейшем планируется регулярно (раз в 3 месяца) обновлять результаты тестирования этой стратегии, чтобы оценить ее эффективность в долгосрочной перспективе.

Главное преимущество метода Монте-Карло – он не зависит от интуиции. Только математика, только хардкор!  

Хотите посмотреть как выглядит этот портфель сейчас? Вот портфель роста Монте-Карло в публичном доступе.

P.S. Доли акций в портфеле могут меняться после новых симуляций! Актуальный портфель – в последних сообщениях подборки Monte-Carlo и по ссылке выше.

Предупреждение:  

Приведенные данные носят исключительно информационный характер и не представляют индивидуальную инвестиционную рекомендацию.

Помните: даже математически выверенные стратегии не гарантируют доходности. 

Самое главное в инвестициях – это спокойный сон.

Подписывайтесь на WTF invest & Co в телеграм – разбираем тренды, портфели и стратегии!