<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>оптимизация портфеля &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/optimizacziya-portfelya/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 27 Nov 2025 11:15:38 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>оптимизация портфеля &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Портфель максимальной диверсификации (Maximum Diversification Portfolio)</title>
		<link>https://mlgu.ru/6651/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 27 Nov 2025 11:15:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6651</guid>

					<description><![CDATA[Портфель максимальной диверсификации (Maximum Diversification Portfolio) представляет альтернативу классическим подходам к формированию инвестиционных портфелей. В отличие от метода Марковица, который требует оценки ожидаемой доходности активов, максимальная диверсификация фокусируется исключительно на структуре риска. Метод строится на максимизации диверсификационного коэффициента — отношения взвешенной волатильности отдельных активов к волатильности портфеля. Подход особенно востребован институциональными инвесторами, поскольку устраняет необходимость [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Портфель минимальной волатильности (Minimum Variance Portfolio)</title>
		<link>https://mlgu.ru/6636/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 26 Nov 2025 20:47:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6636</guid>

					<description><![CDATA[Портфель минимальной волатильности (Minimum Variance Portfolio, MVP) — метод построения инвестиционного портфеля, где целевая функция оптимизации направлена исключительно на минимизацию риска, без учета ожидаемой доходности активов. Подход решает задачу поиска такой комбинации весов активов, при которой волатильность портфеля достигает минимального значения при заданных ограничениях. Классическая теория портфеля Марковица требует оценки двух параметров: ожидаемой доходности и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Матрица ковариаций: проблемы выборочной оценки</title>
		<link>https://mlgu.ru/6601/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 24 Nov 2025 20:53:54 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6601</guid>

					<description><![CDATA[Матрица ковариаций занимает центральное место в портфельной оптимизации, риск-менеджменте и построении торговых стратегий. Оценка этой матрицы по историческим данным кажется тривиальной задачей, но на практике приводит к серьезным проблемам. Выборочная оценка работает корректно только при выполнении жестких условий: Большой объем данных относительно числа активов; Стационарность процессов; Отсутствие выбросов. В реальности эти условия нарушаются систематически. Основная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Закон больших чисел в портфельной теории</title>
		<link>https://mlgu.ru/6099/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 07 Nov 2025 11:36:50 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6099</guid>

					<description><![CDATA[Закон больших чисел — фундаментальный результат теории вероятностей, который объясняет механику диверсификации в инвестиционных портфелях. Понимание его слабой и сильной формулировок позволяет оценить границы применимости диверсификации и избежать типичных ошибок при построении портфелей. Слабый закон больших чисел Слабый закон утверждает, что среднее арифметическое независимых одинаково распределенных случайных величин сходится по вероятности к математическому ожиданию: P(&#124;X̄ₙ [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Задачи оптимизации в биржевой торговле и методы их решения</title>
		<link>https://mlgu.ru/5969/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 01 Nov 2025 13:23:01 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[cvxpy]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5969</guid>

					<description><![CDATA[Оптимизация в алгоритмической торговле решает задачи поиска наилучших параметров при заданных ограничениях. Портфельные менеджеры максимизируют доходность при контроле риска, трейдеры минимизируют издержки исполнения, квантовые исследователи подбирают параметры стратегий. Каждая задача требует специфических методов оптимизации. Основные классы оптимизационных задач в трейдинге: Портфельная оптимизация (распределение капитала между активами), Параметрическая оптимизация (настройка торговых стратегий), Оптимизация исполнения (минимизация влияния [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Жадные алгоритмы: базовые принципы и их применение в количественном анализе</title>
		<link>https://mlgu.ru/5649/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 25 Oct 2025 10:07:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5649</guid>

					<description><![CDATA[Жадные алгоритмы представляют класс методов оптимизации, которые принимают локально оптимальные решения на каждом шаге без пересмотра предыдущих выборов. В количественном анализе такой подход находит применение в задачах отбора активов, оптимизации исполнения ордеров и построения предиктивных моделей. Эффективность жадных алгоритмов обусловлена низкой вычислительной сложностью — большинство реализаций работают за O(n log n) или O(n²), что позволяет [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Ускорение численных вычислений в Python: Numba, JIT на примерах из Data Science</title>
		<link>https://mlgu.ru/5210/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 10 Oct 2025 21:24:35 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5210</guid>

					<description><![CDATA[Python остается доминирующим языком в Data Science, однако его интерпретируемая природа создает узкие места при работе с большими объемами данных. Цикл длительных симуляций, обработки миллиона строк может занимать минуты там, где компилируемые языки справляются за секунды. Numba решает эту проблему через JIT-компиляцию, транслируя Python-код в машинный код во время выполнения. Библиотека особенно эффективна для задач [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Копулы в финансовом моделировании: зависимости между случайными величинами</title>
		<link>https://mlgu.ru/5060/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 08 Oct 2025 10:54:29 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5060</guid>

					<description><![CDATA[Копулы — это мощный инструмент в финансовом моделировании, позволяющий описывать сложные зависимости между активами, которые выходят далеко за рамки линейной корреляции. Использование корреляций (в частности Пирсона), несомненно, остаются базой в портфельных моделях, но это адекватно лишь при эллиптических распределениях и линейных связях. В реальности же рынки редко подчиняются этим упрощенным предположениям, что приводит к недооценке [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Показатели TWR (Time-Weighted Return), MWR (Money-Weighted Return) и MDR (Modified Dietz Return)</title>
		<link>https://mlgu.ru/4965/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 03 Oct 2025 20:12:50 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4965</guid>

					<description><![CDATA[Оценка доходности инвестиционного портфеля требует учета денежных потоков — пополнений и выводов средств. Простой расчет процентного изменения стоимости портфеля дает искаженную картину, если инвестор вносил или выводил деньги в течение периода. Внесение средств перед ростом рынка завышает результат, вывод перед падением — улучшает показатели, хотя решения управляющего могли быть идентичными. Три основные метрики: TWR, MWR [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Критерий Келли: научный подход к выбору размера позиции в трейдинге</title>
		<link>https://mlgu.ru/3740/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 22 Jul 2025 17:30:48 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[маржинальная торговля]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3740</guid>

					<description><![CDATA[Критерий Келли — это математический подход к определению оптимального размера позиции в трейдинге, то есть сколько именно следует инвестировать в каждую сделку. Изначально разработанный для максимизации выигрыша в азартных играх, этот критерий сегодня широко применяется в инвестициях и алгоритмической торговле. В этой статье мы исследуем математические основы Критерия Келли, его применение в реальной торговле, ограничения, [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
