Глобальный инвестиционный портфель без России

Отчет сформирован: 07.07.2026 16:47:43

1. Анализ активов для инвестиционного портфеля

Методология:

1. Цель данного исследования — построение инвестиционного портфеля на основе количественного анализа исторических данных.

2. Анализ охватывает ликвидные инструменты развитых и развивающихся рынков: акции, секторальные и страновые ETF, золото.

3. Активы, связанные с российским рынком, не рассматриваются.

4. В долговую часть включены казначейские облигации США (US Treasuries) и корпоративные облигации США Investment Grade.

5. Все активы номинированы в долларах США, что устраняет валютный риск.

6. Основным критерием включения актива в портфель выступает коэффициент Шарпа, рассчитанный по историческим данным за 5 лет.

7. В качестве безрисковой ставки принята доходность краткосрочных казначейских облигаций США (US Treasuries) на уровне 2.00% годовых.

8. Исторические котировки (OHLCV) получены через Yahoo Finance API с помощью библиотеки yfinance.

9. Вычисления и визуализация выполнены на Python с использованием библиотек pandas, numpy, matplotlib, yfinance.

10. Расчётные формулы приведены в Приложении 1 (формулы 1–9)

Таблица 1 — Временные периоды анализа

Таблица 2 - Анализируемые активы

Таблица 3 - Годовая доходность (%)

Таблица 4 - Годовая волатильность (%)

Таблица 5 - Коэффициент Шарпа

Таблица 6 - Метрики за период 01.01.2021 - 01.01.2026 *

* - Таблица отсортирована по коэффициенту Шарпа

Расшифровка мультипликаторов:

• P/E истор. = Цена / Прибыль за последние 12 месяцев (4 завершенных квартала)

• P/E прогноз. = Цена / Прогнозная прибыль на следующие 12 месяцев

• PEG прогноз. = Прогнозный P/E / Ожидаемый темп роста прибыли

2. Инвестиционный портфель

Методология:

1. Инвестиционный портфель построен на принципах современной портфельной теории Марковица: каждый актив оценивается не только по ожидаемой доходности, но и по вкладу в общий риск портфеля с учётом корреляций.

2. Все активы номинированы в долларах США, что устраняет валютный риск.

3. Расчётные формулы приведены в Приложении 1 (формулы 10–14)

На основании проведенного анализа рекомендован следующий инвестиционный портфель (состав и веса):

- Драйверы доходности:

акции Google (25%) и NVIDIA (20%) — компании с высокой исторической доходностью и потенциалом в сегменте AI.

- Защита от просадок:

казначейские облигации США (SHY - 10%, SGOV - 5%) и золото (SGOL, 5%) — это активы с отрицательной или низкой корреляцией к рынку акций в периоды волатильности.

- Диверсификация:

развитые рынки без США (EFA, 15%), финансовый сектор (XLF, 10%), здравоохранение (XLV, 5%), энергетика (XLE, 5%) — снижают концентрационный риск и страновую зависимость от США.

Таблица 7 — Веса портфеля

Таблица 8 - Корреляционная матрица для активов в инвест. портфеле

Таблица 9 — Ключевые метрики портфеля

Приложение 1 — Расчётные формулы

1. Дневная логарифмическая доходность

\[R_t = \ln\left(\frac{P_t}{P_{t-1}}\right)\]

где P_t — цена актива в день t, P_t-1 — цена актива в предыдущий торговый день

# Python
log_returns = np.log(data / data.shift(1)).dropna()

2. Дневная логарифмическая доходность портфеля

\[R_{p,t} = \ln\left(\frac{P_{p,t}}{P_{p,t-1}}\right)\]

# Python
portfolio_log_returns = np.log(portfolio_data / portfolio_data.shift(1)).dropna()

3. Средняя дневная доходность

\[\bar{R} = \frac{1}{n}\sum_{t=1}^{n} R_t\]

# Python
daily_return = log_returns.mean()

4. Дневная волатильность (стандартное отклонение)

\[\sigma_{daily} = \sqrt{\frac{1}{n-1}\sum_{t=1}^{n}(R_t - \bar{R})^2}\]

# Python
daily_vol = log_returns.std()

5. Накопленная доходность

\[\text{CumRet}_t = \prod_{i=1}^{t}(1 + R_i)\]

# Python
cumulative_returns = (1 + log_returns).cumprod()
stocks_cumulative_returns = cumulative_returns[stock_columns]
indices_cumulative_returns = cumulative_returns[index_columns]

6. Годовая доходность

\[R_{annual} = (1 + \bar{R})^{252} - 1\]

где 252 — среднее количество торговых дней в году

# Python
annual_return = (1 + daily_return) ** 252 - 1

7. Годовая волатильность

\[\sigma_{annual} = \sigma_{daily} \times \sqrt{252}\]

# Python
annual_vol = daily_vol * np.sqrt(252)

8. Коэффициент Шарпа

\[\text{Sharpe} = \frac{R_{annual} - R_f}{\sigma_{annual}}\]

где R_f — безрисковая ставка (доходность, которую можно получить без риска)

# Python
sharpe_ratio = (annual_return - risk_free_rate) / annual_vol

9. Годовая ковариационная матрица

\[\Sigma_{annual} = \Sigma_{daily} \times 252\]

# Python
cov_matrix = log_returns.cov() * 252

10. Корреляционная матрица портфеля

\[\rho_{i,j} = \frac{\text{cov}(R_i, R_j)}{\sigma_i \cdot \sigma_j}\]

# Python
portfolio_corr_matrix = portfolio_log_returns.corr()

11. Средняя дневная доходность портфеля

\[R_p = \sum_{i=1}^{n} w_i \cdot \bar{R}_i\]

где w_i — вес i-го актива в портфеле (доля от общего капитала, вложенная в данный актив)

# Python
p_daily_return = np.sum(log_returns.mean() * weights)

12. Годовая доходность портфеля

\[R_{p,annual} = (1 + R_p)^{252} - 1\]

# Python
portfolio_annual_return = (1 + p_daily_return) ** 252 - 1

13. Годовое стандартное отклонение портфеля

\[\sigma_{p,annual} = \sqrt{\mathbf{w}^T \Sigma_{annual} \mathbf{w}}\]

# Python
portfolio_annual_std = np.sqrt(weights.T @ cov_matrix @ weights)

14. Коэффициент Шарпа портфеля

\[\text{Sharpe}_p = \frac{R_{p,annual} - R_f}{\sigma_{p,annual}}\]

# Python
portfolio_sharpe_ratio = (portfolio_annual_return - risk_free_rate) / portfolio_annual_std