Оптимизация долгосрочного портфеля акций

Основные особенности

Возможность анализа всех акций, обращающихся на MOEX
База данных дивидендов с 2010г по ~100 наиболее ликвидным акциям
Возможность сверки базы данных дивидендов с информацией на сайтах www.dohod.ru, www.conomy.ru и www.smart-lab.ru

Использование нейронных сетей на основе архитектуры WaveNet с большим receptive field для анализа длинных последовательностей котировок
Совместное прогнозирование ожидаемой доходности и дисперсии с помощью подходов, базирующихся на GluonTS: Probabilistic Time Series Models in Python
Использование устойчивых оценок исторических корреляционных матриц для большого числа активов с помощью сжатия Ledoit-Wolf

Максимизация приближенного значения геометрической доходности, полученного с помощью корректировки Йенсена для арифметической доходности портфеля
Поддержание популяции моделей для оценки достоверности прогнозов и поиска гиперпараметров нейронных сетей с использование дифференциальной эволюции
Использование робастной инкрементальной оптимизации портфеля на основе расчета вероятности улучшения доходности портфеля в результате торговли с учетом неточности имеющихся прогнозов вместо классической mean-variance оптимизации
Использование критерия знаковых рангов Вилкоксона и поправки Бонферрони на множественное тестирование для оценки вероятности улучшения доходности в результате торговли для портфеля, содержащего большое количество активов

Возможность анализа ETF, обращающихся на MOEX
Использование смеси логнормальных распределений вместо нормального распределения для прогнозирования доходности и дисперсии активов
Применение нелинейного сжатия Ledoit-Wolf для оценки корреляции активов
Поиск оптимальной архитектуры сетей с помощью эволюции с "нуля" по аналогии с Evolving Neural Networks through Augmenting Topologies