Связанность рынков по кластерам: сигнал для ИИ-инвестора

Когда на рынке начинается «заражение» — от одной страны к другой, от одной отрасли к следующей — оно редко идёт ровной волной. Чаще это похоже на пожар в квартале: внутри квартала огонь распространяется быстро, а между кварталами — через несколько «перемычек». Для инвестора и особенно для ИИ в инвестициях это принципиально: модели риска и аллокации должны понимать, где именно передаются шоки — внутри группы активов или между группами.

В декабре 2025 вышла обновлённая версия работы Бухвальтера, Диболда и Йылмаза о clustered network connectedness — «кластерной связанности» рынков. Это расширение классического подхода Diebold–Yilmaz к измерению связанности, которое лучше отражает реальную структуру глобальных рынков: шоки могут быть независимы между кластерами (например, регионами), но коррелировать внутри кластера (например, внутри одного региона).

Ниже — практичный разбор: что такое кластерная связанность, чем она полезна для алгоритмической торговли, как её «скормить» ML/LLM-стеку, и какие конкретные решения по управлению портфелем она улучшает.

Что на самом деле измеряет «связанность» рынков

Ответ прямо: связанность — это количественная оценка того, насколько движения (или волатильность) одного рынка объясняются шоками других рынков.

В классическом семействе моделей Diebold–Yilmaz связанность строят на декомпозициях дисперсии ошибок прогноза в VAR-модели. Если упрощать, VAR отвечает на вопрос: «Если сегодня рынок A получил шок, какую часть будущей волатильности рынка B можно этим объяснить?»

Почему это важно инвестору:

• это не корреляция; корреляция статична и симметрична, а связанность может быть направленной (кто “донор”, кто “реципиент” шоков);
• это динамика: связанность можно считать по окну и видеть, как режимы рынка меняются неделя к неделе;
• это основа для риск-метрик уровня портфеля: когда связанность растёт, диверсификация «ломается» именно тогда, когда она нужнее всего.

Проблема классических идентификаций: «всё или ничего»

Ключевая техническая деталь у Diebold–Yilmaz: чтобы посчитать вклад шоков, нужно выбрать способ идентификации шоков в VAR.

В литературе обычно используют два «крайних» варианта:

1. Полная ортогонализация (в духе Sims): шоки считаются независимыми, но порядок переменных важен.
2. Обобщённая идентификация (Koop–Pesaran–Potter / Pesaran–Shin): порядок не важен, но шоки допускаются коррелированными.

Реальные рынки обычно посередине. И вот тут появляется кластерный подход.

Кластерная связанность: реалистичная середина между крайностями

Ответ прямо: кластерная связанность допускает, что шоки ортогональны между кластерами, но коррелированны внутри кластера.

Представьте, что вы делите узлы сети (рынки/активы) на кластеры:

• регионы (Северная Америка, Европа, Азия),
• отрасли (финансы, сырьё, IT),
• классы активов (акции, облигации, сырьё).

Внутри кластера рынки «дышат» вместе: новости и ликвидность общие, инвесторы похожие, торговые часы совпадают. Между кластерами связи тоже есть, но они чаще идут через крупные «мосты».

Главная идея:

• порядок важен между кластерами (например, глобальные факторы → региональные),
• порядок не важен внутри кластера (внутри региона рынки реагируют совместно).

Это даёт более правдоподобную картину передачи шоков — и, что критично, более устойчивые признаки для ИИ-моделей.

Почему это хорошо ложится на задачи 2025–2026

В конце 2025 рынки остаются чувствительными к двум вещам: режимам ставок/инфляции и геополитическим «переключателям» риска. В таких периодах связность скачет. И если модель не различает внутрикластерную синхронизацию и межкластерное заражение, она часто:

• переоценивает диверсификацию,
• запаздывает с реакцией на перелом режима,
• путает локальный шок с глобальным.

Кластерная связанность — это как перейти от «одной ручки громкости» к микшеру с группами каналов.

Что это меняет для ИИ-стратегий: признаки, режимы, риск

Ответ прямо: кластерная связанность превращается в набор мощных, интерпретируемых фич для ML, и одновременно — в «панель управления» для риск-менеджмента.

Ниже — три прикладных сценария, где я вижу максимальную отдачу.

1) Детектор рыночных режимов, который не путает шум с тревогой

Если вы используете HMM/Markov switching, кластерная связанность даёт ясный сигнал: режим «risk-on» обычно характеризуется стабильной или умеренной связанностью, а режим «stress» — её резким ростом.

Практика:

• считайте Total Connectedness и отдельно межкластерную связанность (между регионами/классами);
• в модель режимов подайте приросты (дельты) связанности — так лучше ловится переход.

Одна фраза, которую удобно цитировать в команде: «Стресс — это когда растёт не просто волатильность, а именно межкластерная связанность».

2) Портфельная аллокация: меньше иллюзий диверсификации

Классическая оптимизация (mean-variance, risk parity) страдает, когда корреляции «схлопываются». Кластерная связанность даёт понятный триггер: если межкластерная передача шоков усиливается, портфель, собранный «по географии», внезапно становится одним большим бетой.

Что можно сделать:

• вводить штраф на активы, которые являются «передатчиками» шоков (net transmitters);
• менять ограничения на доли по кластерам динамически: при росте межкластерной связанности снижать концентрацию на кластере-доноре;
• для хеджирования выбирать инструменты, которые исторически снижают именно межкластерную связанность портфеля (а не просто имеют отрицательную корреляцию на спокойном рынке).

3) Сигналы для алгоритмической торговли: когда «лидирует» один кластер

В стратегии кросс-рынка важно понимать, кто действительно «ведёт». Кластерный VAR даёт более честную причинность на уровне групп.

Пример (по логике, без привязки к конкретным тикерам):

• если шоки в Северной Америке начинают объяснять всё большую долю будущей дисперсии в Европе, это может служить сигналом для:
  • сокращения лагов в моделях прогнозирования,
  • повышения веса новостей/макро из кластера-лидера,
  • пересмотра расписания исполнения (time-of-day effects).

Как внедрить кластерную связанность в data/ML пайплайн

Ответ прямо: это не «ещё один академический граф», а производственная метрика, которую можно считать по скользящему окну и хранить как фичи и риск-индикаторы.

Шаг 1. Определите кластеры, которые имеют смысл для вашей стратегии

Худший вариант — кластеры «для галочки». Лучший — те, что соответствуют вашим решениям:

• аллокация по регионам,
• лимиты по секторам,
• разделение на акции/облигации/сырьё/FX.

Если кластеров слишком много, модель теряет устойчивость. Практичный диапазон: 3–8 кластеров.

Шаг 2. Выберите частоту и окно

Для среднесрочных стратегий обычно достаточно дневных данных и окна 60–250 торговых дней. Для более тактических — окно короче, но следите за стабильностью VAR.

Хороший компромисс для «инвестора-аналитика»:

• дневные доходности,
• окно 120–180 дней,
• обновление метрик раз в день после закрытия.

Шаг 3. Сформируйте набор фич

Минимальный набор, который реально работает в ML:

• общая связанность системы;
• межкластерная связанность (суммарная);
• внутрикластерная связанность по каждому кластеру;
• net connectedness по каждому рынку (донор/реципиент);
• топ-3 «моста» (пар кластер→кластер) по силе передачи шока.

Дальше эти фичи можно подавать в:

• модели прогнозирования волатильности (градиентный бустинг, LSTM);
• модели риска (quantile regression, expected shortfall модели);
• policy-модели (например, RL), где связанность — часть состояния.

Шаг 4. Приземлите на риск-лимиты и правила исполнения

Если метрика не меняет решения, она не нужна. Самые простые и полезные правила:

• при росте межкластерной связанности выше порога снижать плечо/экспозицию;
• повышать требования к ликвидности инструментов;
• расширять сценарии стресс-тестов: шок не «в одном рынке», а «в одном кластере».

Рабочее правило: «Рост межкластерной связанности — это сигнал не к героизму, а к дисциплине: меньше риск, больше ликвидность».

Частые вопросы от инвесторов и команд данных

Ответ прямо: да, это сложнее корреляций, но окупается качеством сигналов и объяснимостью.

«Зачем мне это, если есть корреляционная матрица?»

Корреляция отвечает на вопрос «двигаются ли вместе». Связанность отвечает «кто влияет на кого и насколько». Для управления риском второй вопрос важнее.

«Не получится ли переобучение?»

Получится, если строить слишком детальную сеть на слишком коротком окне. Кластерный подход как раз снижает риск переобучения: он вводит структурное допущение (кластеры), которое стабилизирует оценку.

«Можно ли использовать это в реальном времени?»

Да, но практичнее — квазиреальное время: обновление раз в день или раз в час (для intraday) с контролем качества данных. Для торговли на новостях — особенно полезно отслеживать скачки межкластерной связанности.

Почему кластерная связанность — хороший мост между эконометрикой и ИИ

Ответ прямо: она даёт то, чего часто не хватает “чистому ML”: экономический смысл, структурные ограничения и интерпретируемые признаки.

Я всё чаще вижу, как команды строят сильные модели, но потом не могут ответить риск-комитету на простой вопрос: «Почему модель увеличила риск именно сейчас?» Метрики связанности, особенно кластерные, дают объяснение человеческим языком: «Потому что шоки начали проходить между регионами, и диверсификация перестала работать».

Если вы строите AI-driven стратегии (от факторных до тактических), логика следующая:

1. Кластерная связанность — это ранний индикатор смены режима.
2. Это карта передачи шока, которая улучшает стресс-тесты.
3. Это набор устойчивых фич, которые повышают качество моделей риска и аллокации.

Если хотите, можно начать совсем прагматично: взять 3 кластера (например, США/Европа/Азия), посчитать межкластерную связанность по скользящему окну и сравнить с вашими текущими триггерами риска. Результат часто отрезвляет.

Последний вопрос, который стоит держать в голове на 2026 год: ваши модели умеют отличать локальную турбулентность от системного заражения — или всё выглядит одинаково шумно?