Для цитирования:
Курочкин, C. В., Павлов, Н. А., Ткаченко, М. В., Яремич, Е. А. (2024). Методы машинного обучения в риск-профилировании инвестора. AlterEconomics, 21(3), 527–552. https://doi.org/10.31063/AlterEconomics/2024.21-3.6
Аннотация:
Риск-профилирование инвестора перед продажей ему финансовых продуктов необходимо для того, чтобы отсечь инструменты, степень риска которых психологически неприемлема для этого инвестора, и избежать мисселлинга. Подавляющее большинство финансовых институтов для определения риск-профиля инвестора просят его заполнить анкету. Однако, многие исследования ставят под сомнение эффективность этого метода — в частности потому, что в реальной жизненной ситуации человек может повести себя совершенно по-другому, нежели предположил, отвечая на вопрос анкеты. Цель исследования заключается в том, чтобы предложить инструмент, основанный не на ответах респондента, а на его поведении в ситуации того или иного изменения рыночных условий. Для достижения поставленной цели был построен веб-интерфейс, через который осуществлялся сбор данных. Для получения выводов использовался регрессионный анализ, реализованный на языке программирования Python. В статье предложена разработанная авторами интерактивная платформа. Ее суть состоит в том, что пользователю предлагаются 10 игровых кейсов, имитирующих реальные торги, в каждом из которых он должен выбрать точку закрытия позиции, зафиксировав убыток или прибыль. Риск-профиль, таким образом, определяется на основании поведения пользователей, а не их ответов на абстрактные вопросы. По итогу эксперимента было показано, что построенная логистическая модель верно предсказывает 65,78 % решений инвесторов, тогда как анкетирование правильно выявило риск-профиль только 53,7 % инвесторов. Полученные результаты могут использоваться в качестве базы для дальнейших разработок инструментов риск-профилирования клиентов, приобретающих инвестиционные продукты.
Курочкин Сергей Владимирович — кандидат физико-математических наук, доцент, Национальный исследовательский университет «Высшая школа экономики»; https://orcid.org/0000-0001-9484-6012 (Российская Федерация, 109028, г. Москва, Покровский бульвар, д. 11; e-mail: skurochkin@hse.ru).
Павлов Николай Александрович — главный проектный инженер, Snke OS GmbH (Германия, г. Мюнхен; e-mail: nikolay.pavlov@snkeos.com).
Ткаченко Мария Владимировна — старший преподаватель, Национальный исследовательский университет «Высшая школа экономики»; начальник отдела структурных продуктов, ПАО «Совкомбанк»; https://orcid.org/0000-0003-4841-0263 (Российская Федерация, г. Москва; e-mail: mtkachenko@hse.ru).
Яремич Елена Андреевна — ведущий инженер по разработке, ПАО Сбербанк (Российская Федерация; г. Москва; e-mail: EAnShestukhina@sberbank.ru).
Alemanni, B., Uberti, P. (2019). What are investors afraid of? Finding the big bad wolf. International Journal of Financial Studies, 7 (3), 42. https://doi.org/10.3390/ijfs7030042
Alsharman, M. (2019). The development of a market risk profiling system employing behavioural and emotional finance approaches (Doctoral dissertation, University of Bath).
Andreoni, J., Sprenger, C. (2012). Risk preferences are not time preferences. American Economic Review, 102 (7), 3357−3376. http://dx.doi.org/10.1257/aer.102.7.3357
Bradbury, M. A., Hens, T., & Zeisberger, S. (2019). How persistent are the effects of experience sampling on investor behavior? Journal of Banking & Finance, 98, 61−79. https://doi.org/10.1016/j.jbankfin.2018.10.014
Bradbury, M. A. S., Hens, T., Zeisberger, S. (2015). Improving investment decisions with simulated experience. Review of Finance, 19 (3), 1019−1052. https://doi.org/10.1093/rof/rfu021
Chen, T. H., Ho, R. J., Liu, Y. W. (2019). Investor personality predicts investment performance? A statistics and machine learning model investigation. Computers in Human Behavior, 101, 409−416. https://doi.org/10.1016/j.chb.2018.09.027
Davies, G. B. (2017). New vistas in risk profiling. CFA Institute Research Foundation.
Davies, G. B., Brooks, P. (2014). Risk tolerance: Essential, behavioural and misunderstood. Journal of Risk Management in Financial Institutions, 7 (2), 110−113. https://doi.org/10.69554/OVZT4879
De Bortoli, D., da Costa Jr, N., Goulart, M., Campara, J. (2019). Personality traits and investor profile analysis: A behavioral finance study. PloS one, 14 (3), e0214062. https://doi.org/10.1371/journal.pone.0214062
Drichoutis, A. C., Nayga Jr, R. M. (2015). Do risk and time preferences have biological roots? Southern Economic Journal, 82 (1), 235−256. https://doi.org/10.4284/0038-4038-2013.246
Ferreira, S., Dickason-Koekemoer, Z., McMillan, D. (2020). A structural equation model of financial risk tolerance in South Africa. Cogent Business & Management, 7 (1). https://doi.org/10.1080/23311975.2020.1811595
Glaser, F., Iliewa, Z., Jung, D., Weber, M. (2019). Towards designing robo-advisors for unexperienced investors with experience sampling of time-series data. Information Systems and Neuroscience: NeuroIS Retreat 2018 (pp. 133−138). Springer International Publishing.
Heo, W., Rabbani, A., Grable, J. E. (2021). An evaluation of the effect of the COVID-19 pandemic on the risk tolerance of financial decision makers. Finance Research Letters, 41, 101842. https://doi.org/10.1016/j.frl.2020.101842
Kim, A., Yang, Y., Lessmann, S., Ma, T., Sung, M. C., Johnson, J. E. (2020). Can deep learning predict risky retail investors? A case study in financial risk behavior forecasting. European Journal of Operational Research, 283 (1), 217−234. https://doi.org/10.1016/j.ejor.2019.11.007
Klement, J. (2015). Investor risk profiling: An overview.
Ładyżyński, P., Żbikowski, K., Gawrysiak, P. (2019). Direct marketing campaigns in retail banking with the use of deep learning and random forests. Expert Systems with Applications, 134, 28−35. https://doi.org/10.1016/j.eswa.2019.05.020
Martens, D., Provost, F., Clark, J., de Fortuny, E. J. (2016). Mining massive fine-grained behavior data to improve predictive analytics. MIS quarterly, 40 (4), 869−888. http://dx.doi.org/10.25300/MISQ/2016/40.4.04
Mooreland, J. (2014). Obtain a More Accurate Assessment of Your Clients’ Risk Profile. Journal of Financial Planning, 27 (7).
Rice, D. (2005). Variance in risk tolerance measurement: Toward a uniform solution. Golden Gate University.
Shanmuganathan, M. (2020). Behavioural finance in an era of artificial intelligence: Longitudinal case study of robo-advisors in investment decisions. Journal of Behavioral and Experimental Finance, 27, 100297. http://dx.doi.org/10.1016/j.jbef.2020.100297
Sidhu, G., Min, C. (2003). Method and apparatus for identifying investor profile (U.S. Patent Application No. 10/128,910). https://patentimages.storage.googleapis.com/pdfs/US20030055758.pdf (дата обращения: 29.07.2024).
So, M. K. (2021). Robo-advising risk profiling through content analysis for sustainable development in the Hong Kong financial market. Sustainability, 13 (3), 1306. https://doi.org/10.3390/su13031306
Tao, R., Su, C. W., Xiao, Y., Dai, K., Khalid, F. (2021). Robo advisors, algorithmic trading and investment management: Wonders of fourth industrial revolution in financial markets. Technological Forecasting and Social Change, 163, 120421. https://doi.org/10.1016/j.techfore.2020.120421
Tertilt, M., Scholz, P. (2018). To advise, or not to advise — how robo-advisors evaluate the risk preferences of private investors. The Journal of Wealth Management, 21 (2), 70−84. http://dx.doi.org/10.3905/jwm.2018.21.2.070
Thanki, H., Baser, N. (2021). Determinants of financial risk tolerance (FRT): An empirical investigation. The Journal of Wealth Management, 24 (2), 48−64. http://dx.doi.org/10.3905/jwm.2021.1.144
Thompson, J. R., Feng, L., Reesor, R. M., Grace, C. (2021). Know Your Clients’ behaviours: a cluster analysis of financial transactions. Journal of Risk and Financial Management, 14 (2), 50. https://doi.org/10.3390/jrfm14020050
Tillmans, S. (2017). Rabo-advisors: how can automated investment advice change risk profiling practices. http://theses.ubn.ru.nl/handle/123456789/5205 (дата обращения: 29.07.2024).
Valentine, T. (2012). The usefulness of risk profile questionnaires in financial advising. JASSA: The Journal of the Securities Institute of Australia, (3), 54−58.
Van de Venter, G., Michayluk, D., Davey, G. (2012). A longitudinal study of financial risk tolerance. Journal of Economic Psychology, 33 (4), 794−800. http://dx.doi.org/10.1016/j.joep.2012.03.001
Vandenbroucke, J., Fortuna, G. (2019). Loss Aversion Implied by a Risk-Based Questionnaire. The Journal of Wealth Management, 22 (1), 39−48. http://dx.doi.org/10.3905/jwm.2019.22.1.039
