Детерминанты доходности биржевых инвестиционных фондов: модели машинного обучения

Статья посвящена выявлению детерминант доходности биржевых инвестиционных фондов на основе моделей машинного обучения. Цель исследования – определить ключевые факторы доходности ETF и сопоставить эффективность современных нелинейных и ансамблевых алгоритмов. Эмпирическая база включает данные за 2024 год по 34 странам (105 наблюдений). В работе построены и сравнены семь моделей: SVR, регрессия на решающих деревьях, Random Forest, Gradient Boosting, XGBoost, Bagging и CatBoost. Для интерпретации результатов и оценки вклада признаков применялся SHAP-анализ. Наилучшее качество продемонстрировали модели Random Forest и регрессия на решающих деревьях, объяснившие около 65% вариации целевой переменной. SHAP-анализ показал, что спред bid-ask является наиболее значимым фактором и оказывает устойчивое положительное влияние на доходность. Процентная ставка характеризуется нелинейным воздействием: при экстремальных значениях выявляется отрицательный эффект, тогда как умеренные уровни связаны с ростом доходности. Коэффициент расходов демонстрирует стабильную отрицательную зависимость с доходностью. Гипотезы о значимом влиянии оборачиваемости портфеля и типа управления (активное/пассивное) эмпирического подтверждения не получили. Полученные результаты подтверждают целесообразность применения моделей машинного обучения, прежде всего ансамблевых моделей, для анализа и прогнозирования доходности ETF, обеспечивающих сочетание точности и интерпретируемости, и могут быть использованы при разработке инвестиционных стратегий с акцентом на спред bid-ask и контроль издержек.