Кластерная связность рынков: как ИИ видит риск заражения

В 2025 году инвестору стало сложнее прятаться за «диверсификацией по странам». На практике стресс на одной площадке всё чаще «перетекает» в другие — и это происходит не линейно, а через узлы влияния: регионы, сектора, группы компаний с похожими драйверами. Поэтому главный вопрос сейчас звучит просто: где именно возникает импульс, по каким каналам он идёт и на каком участке сети он усиливается?

Новая работа Бастиена Бухвальтера, Фрэнсиса Диболда и Камиля Йылмаза предлагает аккуратный, но очень прикладной ответ: кластерная сетевой связность (clustered network connectedness) — измерение взаимозависимостей так, чтобы «порядок» имел значение между крупными группами (кластерами), но переставлять местами активы внутри группы было неважно. Для рынка это звучит как статистика. Для ИИ в инвестициях — как более точная карта того, где сидит системный риск и как его предсказывать.

Почему классическая «связность» часто вводит в заблуждение

Короткий ответ: стандартные подходы обычно выбирают одну из двух крайностей и теряют реализм.

Связность рынков часто измеряют на базе VAR-моделей и разложений дисперсии (подход Диболда–Йылмаза). Суть — оценить, какая доля волатильности одного рынка объясняется шоками других рынков. В прикладной аналитике это полезно: получается динамический индикатор «кто кого заражает».

Проблема — в идентификации шоков. На практике используются два популярных сценария:

1. Полная ортогонализация (в стиле Sims) — шоки считаются независимыми. Тогда порядок переменных важен: кого поставили первым, тот «получил право» быть первопричиной.
2. Обобщённая идентификация (Koop–Pesaran–Potter / Pesaran–Shin) — допускается корреляция шоков, и порядок не важен.

Обе версии удобны, но это крайности. В реальной рыночной жизни есть очевидная структура: между регионами/классами активов шоки часто расходятся по разным каналам, а внутри региона (например, внутри Европы или внутри Азии) новости и ликвидность так переплетены, что считать шоки независимыми — наивно.

Что такое кластерная связность — по-человечески

Короткий ответ: мы группируем узлы сети в кластеры и по-разному обращаемся с шоками «между» и «внутри» групп.

Идея авторов проста и сильна:

• Есть кластеры: регионы (Америка/Европа/Азия), сектора, классы активов, стили (value/growth) — что угодно, что имеет экономический смысл.
• Между кластерами шоки ортогональны (условно независимы). Здесь порядок кластеров в VAR важен — это отражает ваше предположение о том, какой кластер «двигает» другой в моменте.
• Внутри кластера шоки могут быть коррелированы. И главное: порядок рынков внутри кластера не должен ломать результат.

Кластерная связность — это компромисс между «всё независимо» и «всё коррелировано», который совпадает с тем, как рынок устроен на самом деле.

В статье этот подход применяют к 16 фондовым рынкам из трёх мировых регионов. Но ценность шире: методология отлично ложится на задачи алгоритмической торговли и управления риском, особенно если у вас есть ИИ-стек и вы хотите кормить модель не «сырым шумом», а структурированными сигналами.

Где здесь ИИ: как превратить связность в инвестиционный сигнал

Короткий ответ: кластерная связность даёт ИИ признаки более высокого уровня — понятные, устойчивые и экономически интерпретируемые.

Большинство команд, которые строят ML/AI-модели для инвестиций, сталкиваются с одинаковым потолком: модель «видит» корреляции, но плохо понимает режимы. Сегодня корреляции низкие — завтра всё движется вместе. И самый неприятный момент — в кризис диверсификация исчезает ровно тогда, когда она нужна.

Кластерная связность помогает оформить рынок как систему с уровнями:

• Глобальная связность (насколько «всё связано со всем») — ранний индикатор перехода в риск-офф.
• Связность между кластерами (например, Европа → США или Азия → Европа) — карта передачи импульса.
• Связность внутри кластера (например, внутри Европы) — показатель того, насколько регион живёт «одной новостью».

Практический пример: риск-менеджмент портфеля по регионам

Если ваш портфель распределён по США/Европе/Азии, стандартная ковариационная матрица часто не отвечает на вопрос: «почему вырос риск?»

А вот в терминах кластерной связности вы можете увидеть:

• выросла межкластерная передача (шоки начали ходить между регионами);
• или выросла внутрикластерная связанность (регион стал монолитным и хрупким);
• или поменялся донор/реципиент: кто стал главным источником волатильности.

Для ИИ это превращается в фичи:

• between_cluster_spillover — доля волатильности, пришедшая из других кластеров;
• within_cluster_spillover — «склеенность» активов внутри группы;
• net_transmitter_score — чистый вклад кластера в распространение шоков.

Дальше эти признаки можно подавать в модели:

• прогнозирования волатильности и корреляций (risk forecasting);
• классификации рыночных режимов (regime detection);
• оптимизации хеджей и плеча (dynamic risk budgeting).

Как инвестору выбрать кластеры — и не сделать хуже

Короткий ответ: кластеры должны отражать экономический смысл, а не красоту статистики.

Самая частая ошибка — «кластеризовать алгоритмом и успокоиться». Для финансов это опасно: кластеры будут меняться от окна к окну, а вы получите нестабильные сигналы.

Я бы начинал с двух уровней:

1. Жёсткие кластеры (фиксированные): регионы, валютные зоны, сектора.
2. Мягкие кластеры (динамические) — как второй слой для ИИ: например, группы по факторной экспозиции (инфляция, ставки, нефть, доллар).

Практическое правило: если вы не можете одним предложением объяснить, почему эти активы в одном кластере, — ИИ тоже не сможет сделать из этого устойчивую стратегию.

Чек-лист для внедрения в аналитический контур

Чтобы превратить кластерную связность в рабочий инструмент (а не красивый график), полезно сразу заложить операционные детали:

1. Частота данных: дневные доходности для стратегий с горизонтом неделя–месяц; более высокая частота требует аккуратной микроструктуры.
2. Окно оценки: типично 60–250 торговых дней. Чем короче окно, тем быстрее сигнал, но тем больше шум.
3. Контроль стабильности: тестируйте, насколько метрики меняются при сдвиге окна и при небольших изменениях состава активов.
4. Backtest через режимы: отдельно проверьте «спокойные» периоды и стресс-периоды; связность должна быть полезна именно во втором случае.

Если метрика связности не помогает в стресс-тестах, она не инвестиционная — она декоративная.

Что это меняет для алгоритмической торговли в 2026 году

Короткий ответ: выигрывают стратегии, которые учитывают не только доходность, но и маршруты распространения риска.

К концу 2025 года многие рынки уже живут в реальности, где:

• новости разлетаются мгновенно;
• ликвидность может «схлопываться» одновременно в нескольких регионах;
• крупные потоки (ETF/алготрейдинг) усиливают синхронность движений.

На этом фоне кластерная связность хорошо вписывается в три практичных сценария:

1) Режимный контроль плеча

Когда растёт межкластерная связность, портфель становится более «одним риском». Это повод снижать плечо или ужесточать лимиты — до того, как обычная волатильность успеет заметно вырасти.

2) Умный хедж

Хеджировать «рынок целиком» часто дорого или неэффективно. Если видно, что донор шоков — конкретный кластер, хедж можно строить точнее: через индекс региона, валюту, ставки или товарный прокси.

3) Отбор сигналов для ML

ML-модели захлёбываются от сотен коррелированных признаков. Кластерная связность — способ сжать информацию о рынке в несколько устойчивых индикаторов. Меньше переобучения, больше интерпретируемости.

Мини-Q&A: что обычно спрашивают про сетевую связность

Это про прогноз доходности?

Прямо — нет. Это про прогноз и управление риском: волатильность, корреляции, «заражение». А уже через риск вы улучшаете устойчивость доходности.

Можно ли использовать это для российского инвестора?

Да, особенно если у вас портфель с глобальными компонентами (фонды, иностранные акции, сырьё, валюта). Кластеры можно строить по валютам и регионам, а внутри — по секторам.

Нужен ли «настоящий ИИ», чтобы это работало?

Нет. Базовые метрики связности полезны сами по себе. Но ИИ усиливает эффект, когда вы строите из них режимы и правила принятия решений (лимиты, хеджи, ребалансировки).

Что делать дальше, если вы внедряете ИИ в инвестиции

Кластерная связность — это не «ещё один индикатор». Это способ заставить ваш аналитический контур смотреть на рынок как на систему, где риск перемещается по понятным маршрутам. В серии «Искусственный интеллект в финансовых инвестициях» я всё чаще вижу один и тот же паттерн: лучшие результаты дают команды, которые кормят модели структурой, а не сырыми корреляциями.

Если вы строите AI-подход к портфелю или алготрейдингу, попробуйте начать с малого:

• определите 3–5 осмысленных кластеров (регионы/сектора/классы активов);
• посчитайте динамику меж- и внутрикластерной связности;
• введите простое правило риск-контроля (например, снижение риск-бюджета при росте межкластерной передачи).

Рынки в 2026 году будут наказывать за наивную веру в «независимые активы». А вот понимание того, как именно связность собирается в кластеры, даёт редкое преимущество: вы начинаете видеть не только движение цены, но и архитектуру риска. Какую часть этой архитектуры вы готовы доверить алгоритмам уже сейчас?