Это исследование проверяет, могут ли классические правила стоимостного инвестирования Бенджамина Грэма действовать как математический фильтр для предотвращения запоминания рыночного шума сложными моделями машинного обучения. В исследовании сравниваются чистые правила Грэма, современные факторы и их комбинация с моделями XGBoost и AutoGluon на основе 20-летних данных индекса S&P 500.

  • Модель AutoGluon достигла доходности 222,68%, но столкнулась с максимальным просадкой в 39,78% из-за покупки волатильных технологических акций перед крахом.
  • Чистая модель Грэма Random Forest показала наивысшую общую доходность 232,13% при низком профиле риска, что подтверждается коэффициентом Кальмара 1,38.
  • Комбинированная модель Random Forest сгенерировала доходность 202,91%, сохранив при этом наименьшую максимальную просадку в 34,53% среди всех протестированных моделей.

Результаты демонстрируют, что «запас прочности» Грэма остается эффективным методом контроля рисков в современном выборе акций на основе ИИ.