Фонд машина: Автомобиль фонда

«Машины образов», «Искусство и наука», «Я и Картина»

    Культура и просвещение

    Поддержка музеев

    11 Июль 2022

    Государственный Русский музей


    Курсы будут представлены на онлайн-платформе флагманской образовательной программы БФ «Система» — «Лифт в будущее». Первый онлайн-курс «Машины образов. Что делать с фотографией?» уже доступен для всех пользователей платформы.


     

    «Машины образов. Что делать с фотографией?» – это бесплатный курс из пяти видеолекций продолжительностью 10–15 минут о самом на первый взгляд простом и массовом способе производства изображений – о фотографии. На этих лекциях речь пойдёт о том, как устроен опыт восприятия фотографии. Участники смогут разобраться, как работает память в фотографии, какова роль серийности в этом виде искусства, а также как возникает художественный образ в фотографии. В этом им поможет теория искусства, философия, примеры из визуальной культуры. Курс подойдёт для всех, кто хотя бы раз в жизни сделал фотографический кадр. Автор курса: Александр Кибасов, ведущий методист Русского музея.


     


    Ссылка на курс на образовательной платформе «Лифт в будущее»: https://lift-bf.ru/courses/mashiny-obrazov-231


     


    В 2020 году при поддержке БФ «Система» Русским музеем был создан первый общедоступный музейный онлайн-курс «В поисках современности: русское искусство XX века». Данный курс предназначен для всех, кто интересуется русским искусством XX века – наиболее неоднозначным и дискуссионным периодом в истории отечественного искусства.


     


    БФ «Система» финансирует создание курсов в рамках долгосрочной программы поддержки Русского музея, предусматривающей внедрение передовых технологических решений в область культуры и искусства и развитие новых форм просвещения и образования.


     


    Осенью 2022 года пользователям платформы станут доступны курсы «Искусство и наука» и «Я и картина».


     

    «Искусство и наука»


    Как изменились древние иконы XV века? Правда ли, что картины Архипа Куинджи темнеют с годами? В этом курсе участники узнают, как научные открытия повлияли на изобразительное искусство, а современные научные исследования помогают лучше понять, «что хотел сказать художник». Онлайн-курс посвящён искусству и науке, их тесной взаимосвязи и взаимодействии. Курс видеолекций из 6 частей построен как путешествие по ленте времени, от каменного века до начала XXI. Каждая серия курса сопровождается дополнительными материалами, вопросами и арт-заданиями. В качестве экспертов выступят специалисты в области истории искусств и музейного дела: А. М. Бутягин, Н. Н. Соломатина, С.В. Сирро, И.А. Доронченков, Д.А. Боровский, М. В. Салтанова. Автор курса: Анна Пейчева, художник-реставратор, искусствовед, специалист по музейно-образовательной деятельности Русского музея. Курс предназначен для широкой аудитории: старшеклассников, студентов, педагогов и всех неравнодушных к искусству.


     

    «Я и картина» – курс-путешествие в формате квеста из 8 частей, в ходе которого зрители смогут посетить Русский музей, не выходя из дома. Участники курса узнают много интересного о самых известных картинах музея. Каждая часть курса включает в себя видеозанятие, его текстовую и аудиоверсию, дополнительную информацию, игровое задание и мастер-класс. После выполнения всех заданий участники смогут разгадать тайну Михайловского дворца.В ходе занятий, построенных в форме диалога и небольших историй, ведущие курса обсудят, как художники придумывают и создают свои работы и какие истории могут рассказать картины. На мастер-классах зрители узнают о разных художественных техниках и смогут сами создать необычные творческие работы. Мастер-классы будут интересны как детям, так и взрослым. Курс «Я и картина» создан специалистами по инклюзии Русского музея и адаптирован для самой широкой аудитории.

    Джип Алерт, взаимопомощь на дорогах России. Автоволонтеры и добровольцы.

    Всероссийское волонтерское движение взаимопомощи на дорогах

    Джип Алерт

    ВЫТАЩИТЬ ЗАСТРЯВШУЮ МАШИНУ, ПОДВЕЗТИ БЕНЗИН, ПОМОЧЬ СМЕНИТЬ КОЛЕСО И МНОГОЕ ДРУГОЕ…

    Автоволонтеры — рядом с Вами, мы их моментально оповестим о вашей просьбе о помощи, нужно только заполнить заявку. Это очень быстро и просто.

    Всего 2 минуты и помощь в пути!


    Отправить заявку Online

    Доставка врачей
    Поможем с поиском автоволонтёра для доставки врачей.
    Помогаем с февраля 2020 года, выполнены сотни заявок, в т.ч. от организаций «Молодежка ОНФ» и акции #МЫВМЕСТЕ, в сотрудничестве с оперативными штабами акции.


    Отправить заявку Online

     Добровольцы Джип Алерт готовы вытащить застрявшую машину — бесплатно!

    Однако:
    — если вы укажите сумму «на бензин», это увеличит количество откликов,

    — если вы сами уже помогали, по заявкам в Джип Алерт, это будет отражено и в вашей заявке.

     — застряла машина и нужно вытянуть застрявший автомобиль из грязи
     — подвезти бензин или нужна запчасть

     — сменить колесо
     — прикурить автомобиль, если сел аккумулятор
     — требуются подготовленные внедорожники на поиск пропавших людей
     — требуются перевозка людей с ограниченными возможностями или детей приехавших на лечение

    Джиперский дух — дух взаимопомощи

    Стань джипером

    Установите приложение Джип Алерт и получайте уведомления о новых заявках в режиме реального времени. Присоединяйтесь к нам !

    Найдите своих друзей в нашем паблике ВКонтакте !

    Нам нужна Ваша помощь!

    Международное (Россия-Беларусь) движение взаимопомощи на дорогах Джип Алерт существует на пожертвования, у нас нет меценатов, наши добровольцы помогают оплачивать счета на телефонию и сторонние сервисы, но большую часть расходов несет учредитель и руководитель Джип Алерт.
    Помогите нам стать лучше !
    Для функционирования информационной системы Джип Алерт, мы создали благотворительный фонд «Автоволонтеры», благодаря ему, все пожертвования идут исключительно на уставные цели фонда, сделать пожертвование можно по ссылке ниже.

    Мы также ищем социально ответственные компании и меценатов, которые готовы помочь в оплате ГСМ нашим добровольцам, в особенности в регионах, где семейные доходы часто не позволяют ездить за свой счет, на спасение застрявших автолюбителей и машин Скорой помощи. Для них — предлагаем войти в попечительский совет фонда, для прямого контроля расходования средств. Подробнее на [email protected]

    Сделать пожертвование


    Мобильное приложение

    Мобильное приложение Джип Алерт, для Android и IOS, обеспечивают моментальное получение уведомлений о новой заявке нашими добровольцами.

    Google Play

    Фонд Автоволонтеры

    Мы зарегистрировали благотворительный фонд «Автоволонтеры», для аккумулирования средств и компенсации затрат на топлива нашим волонтерам.

    Сайт фонда

    Защита серверов

    Защиту серверов обеспечивает лидер рынка, компания QRator, благодаря им, мы выдерживаем все атаки на наши ресурсы и защищаем персональные данные пользователей приложения.

    QRator

    Дата Центр

    Один из лидеров российского рынка хостинга и регистрации доменных имён, предоставляет нам грант на бесплатное размещение серверов ИС Джип Алерт и сайтов БФ «Автоволонтеры».

    Мастерхост

    Для отправки заявки на поиск добровольца для вашей организации (доставка волонтеров, перевозка подопечных, участия в ПСР и т.д.), необходимо отправить письмо, от имени организации на [email protected] указав: ФИО и номер телефона представителя (предварительно зарегистрированного в приложении), название организации, тип помощи который обычно необходим.
    После одобрения профиля (не более суток), ваш представитель получит возможность отправлять заявки на поиск автоволонтёров от имени вашей организации.

    Если вам поступила заявка на помощь автолюбителю и нет возможности оперативно помочь — наши добровольцы готовы прийти на помощь.

    Просто передайте номер телефона заявителю 8800 550 69 11

    Также, наша система позволяет автоматически принимать заявки от Вашей CRM или АРМ. Информацию и настройки можно запросить по email [email protected]

    Мы всегда открыты к сотрудничеству с внедорожными клубами, вы можете как самостоятельно создать паблик в нашей Сети Х, или направить письмо на [email protected] и мы рассмотрим ваши варианты сотрудничества.


    БФ «АВТОВОЛОНТЕРЫ»

    Номер счета:

    40703810940000004748

    Банк: ПАО СБЕРБАНК

    БИК: 044525225

    Кор. Cчет: 30101810400000000225

    ОГРН: 1185000004012

    ИНН: 5047215177

    КПП: 504701001



    Голиневич Илья Александрович

    руководитель Джип Алерт

    учредитель и президент

    БФ «Автоволонтеры»

    Данченко Артем Сергеевич

    исполнительный директор

    Сайт фонда Автоволонтеры. org
    ВКонтакте https://vk.com/x15ru



    Телефон: 8 800 550 69 71 
    Юр. адрес:

    141402, Московская обл, город Химки, улица Ленинградская, дом 29, офис 825/2

    Фактический (почтовый) адрес:

    155723 Ивановская обл., Савинский район, с. Алексино, д.8

    Голиневичу Илье Александровичу



    Джип Алерт — основная программа благотворительного фонда «Автоволонтеры»

    Устав фонда

    Свидетельство о регистрации

    Сайт фонда: Автоволонтеры.org

    ОТЧЕТ О РАБОТЕ

    Нас рекомендуют: НЦУКС, МЧС РФ, Администрация президента

    Поделитесь с друзьями или отправьте себе, чтобы не потерять.

    Машинное обучение в инвестировании в хедж-фонды

    Машинное обучение в инвестировании в хедж-фонды

    Альтернативы для получения некоррелированного дохода

    12.09.2019

    Вкратце

    • Искусственный интеллект и машинное обучение широко используются во всех аспектах повседневной жизни и игр все возрастающую роль в инвестировании.
    • Стратегии инвестирования в машинное обучение направлены на создание устойчивых некоррелированных альфа-потоков при адаптации к изменениям рыночных условий — без участия человека, необходимого в других подходах к количественному инвестированию.
    • Применять методы машинного обучения к финансовым рынкам непросто. Тщательный выбор менеджеров и формирование портфеля на основе глубокого отраслевого опыта имеют решающее значение для использования потенциальных преимуществ стратегий машинного обучения и улучшения результатов портфеля.

    Искусственный интеллект (ИИ) пытается имитировать огромные возможности человеческого мозга по принятию решений.  Машинное обучение (МО) — это подмножество ИИ, используемое для создания правил прогнозирования на основе выявления сложных шаблонов. Сегодня влияние машинного обучения широко распространено: от рекомендаций фильмов до медицинских диагнозов. Большая и более дешевая вычислительная мощность, увеличение доступности глобальных данных, облачные технологии и достижения в области технологий также способствовали тому, что ML стало инвестировать в хедж-фонды.

    Управляющие количественными хедж-фондами все чаще обращаются к ИИ и, в частности, к МО, чтобы удовлетворить потребности инвесторов в новых и диверсифицированных источниках дохода. Однако присущий финансовым рынкам «шум» делает количественное инвестирование одним из самых сложных приложений ML. Мы считаем, что при правильном применении машинное обучение может предложить дифференцированное преимущество в последовательном создании некоррелированного альфа-канала.

    Инвесторы тоже осознают потенциал ИИ и получают удовольствие от его инвестиционных приложений. 1  Поскольку эти стратегии заполняют ландшафт хедж-фондов, инвесторы хотят знать:

    • Чем эти стратегии отличаются от более традиционных количественных подходов?
    • Каковы потенциальные инвестиционные возможности и риски?
    • Как эти стратегии могут быть наиболее эффективно реализованы в портфелях?

    Машинное обучение и эволюция количественного инвестирования

    Количественное инвестирование охватывает множество стратегий, в которых менеджеры используют компьютерные программы для систематической торговли. Традиционное количественное инвестирование полагается на то, что инвестиционные команды выявляют ценовые сигналы, постоянно отслеживают их эффективность и активно вмешиваются, если сигналы дают сбои.

    Ранние количественные модели основывали свои прогнозы на принципах торговли, таких как «менее дорогие ценные бумаги, как правило, выигрывают» (фактор стоимости) или «рынки демонстрируют тенденции» (фактор импульса). По мере того как все больше менеджеров торговали с использованием тех же факторов, сигналы становились переполненными. Кульминацией этого стало «количественное землетрясение» августа 2007 года: трехдневный период драматических убытков, когда менеджеры были вынуждены продавать аналогичные позиции в своих количественных портфелях, чтобы покрыть маржинальные требования от других убытков портфеля.

    Несмотря на события 2007 года, некоторые менеджеры продолжали торговать, основываясь на этих сигналах, что превратилось в коммодитизированный подход с низкой комиссией к получению широкого доступа к этим рыночным факторам (или премии за риск). Другие менеджеры разработали более сложные прогностические правила, используя большее разнообразие сигналов. Опытные игроки определяли сигналы, которые были менее известны и, следовательно, медленнее заполнялись, что позволяло им генерировать более качественный доход. Эти менеджеры продолжают обеспечивать альфу, но им необходимо внимательно следить за своими сигналами и проявлять осторожность, чтобы корректировать правила прогнозирования, если их доходность с поправкой на риск начинает уменьшаться.

    Отличие машинного обучения

    Алгоритмы машинного обучения обрабатывают огромное количество данных для выявления закономерностей и построения правила прогнозирования, которое постоянно развивается по мере адаптации к непрерывной обратной связи (ПРИЛОЖЕНИЕ 1) . Применение машинного обучения к количественному инвестированию закрепилось, когда менеджеры по количественному анализу осознали, что так же, как их традиционные модели стремятся систематизировать то, что делают фундаментальные активные менеджеры, машинное обучение может систематизировать больше их собственных количественных процессов, в том числе автономно:

    • поиск прогностических взаимосвязей и сигналов
    • отслеживание изменений в окружающей среде и замечание, когда исчезает источник возврата или появляется новый сигнал
    • адаптация к изменениям на постоянной основе, например, путем использования более подходящих сигналов, снижения риска или смещения весовых коэффициентов сигналов и распределений

    Потенциальные инвестиционные возможности …

    Для инвесторов более широкий, глубокий и быстрый анализ ML и, что наиболее важно, его способность постоянно адаптировать инвестиционные процессы дают ему потенциал для достижения:

    • Более диверсифицированные альфа-потоки: диапазон методов машинного обучения, которые можно использовать для количественного инвестирования (от байесовских процессов до генетических алгоритмов и нейронных сетей) 2  и различные количественные стратегии (например, направленные стратегии или рыночно-нейтральные стратегии, такие как статистический арбитраж) , рынки (акции, фьючерсы, фиксированный доход, товары, опционы) и инвестиционные горизонты, к которым может применяться ML, означают, что его альфа-потоки, вероятно, будут меньше коррелировать с традиционными стратегиями акций, фиксированного дохода и количественными стратегиями, а также друг с другом.
    • Более постоянная альфа-версия: в отличие от традиционного количественного инвестирования, при котором сигналы по существу фиксированы, т. е. не реагируют на меняющуюся рыночную среду, системы машинного обучения расшифровывают изменения и даже могут адаптировать временные рамки своих измерений и прогнозов цен, чтобы потенциально улучшить генерацию альфа-канала на разных рынках. среды.
    • Добавленная стоимость на нескольких этапах инвестиционного процесса, как показано на рис. 1.

    Машинное обучение может автоматизировать, развивать, расширять и углублять количественный инвестиционный процесс

    ПРИЛОЖЕНИЕ 1: ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ В ПРОЦЕССЕ КОЛИЧЕСТВЕННЫХ ИНВЕСТИЦИЙ

    Источник: J.P. Morgan Asset Management; только для иллюстративных целей.

    Более того, вычислительная мощность, по оценкам, удваивается каждые два года, 3  в то время как глобальные данные, включая альтернативные источники данных, 4  вырастут в пять раз с 2018 по 2024 год. 5  со временем становятся все более выраженными.

    … И потенциальные риски

    Как и в любом инвестиционном процессе, в количественных стратегиях хедж-фондов, основанных на машинном обучении, существуют риски.

    • Скученность, пожалуй, главный риск для инвесторов, учитывая историю квантового инвестирования. К счастью, определяющие характеристики моделей машинного обучения помогают справиться с этими опасениями: разнообразие методов предполагает меньший риск скопления людей и больше возможностей распределить риск между стилями инвестирования, в то время как способность распознавать и адаптироваться к изменяющимся моделям, в том числе связанным с скоплением людей, создает возможность защититься от этих сдвигов и даже извлечь из них выгоду.
    • Кредитное плечо часто используется для увеличения доходности в процессах, предназначенных для устранения рыночного риска и изоляции идиосинкразической альфы. Кредитное плечо следует анализировать и учитывать при стресс-тестировании портфелей, поскольку оно также может увеличить риск снижения.
    • Переобучение может происходить в процессах машинного обучения, когда модели настолько точно настроены для выявления прошлых моделей, что они не могут точно предсказать будущие движения цен. Более надежные прогнозы можно создавать, разрабатывая модели, которые определяют распределение результатов по сравнению с конкретным прогнозом для одного момента времени.
    • Экзогенные потрясения: алгоритмы могут быть не в состоянии идентифицировать закономерности в сценариях, с которыми они ранее не сталкивались, что снижает производительность, пока системы не наверстают упущенное. Более длинные и глубокие наборы данных могут снизить эти риски, как и торговля большим набором инструментов с низкой корреляцией.

    Реализация потенциала машинного обучения

    Использование машинного обучения не гарантирует успеха инвестиций. Высокие однозначные доходы могут быть разумным ожиданием от диверсифицированного портфеля высокоэффективных количественных стратегий ОД, но многие недавно созданные фонды ОД потерпят неудачу, и может быть сложно определить успешных менеджеров на раннем этапе. Тщательный выбор менеджеров и формирование портфеля на основе глубокого отраслевого опыта имеют решающее значение для снижения рисков и реализации потенциала ML в количественном инвестировании.

    Некоторые ключевые вопросы, которые должны задать инвесторы, стремящиеся добавить менеджеров по машинному обучению в свои существующие портфели:

    • Играет ли машинное обучение действительно значимую роль в основе процесса альфа-генерации?
    • Обладает ли менеджер опытом в области машинного обучения и опытным пониманием финансовых рынков?
    • Существует ли четкая прозрачность инвестиционного процесса? Это более важно, чем прозрачность на уровне позиции в процессе, где движущие силы доходности могут меняться каждый день.
    • Как менеджер справляется с такими рисками, как скученность, ликвидность, переобучение и справляться с экзогенными потрясениями?
    • Каковы ограничения емкости? В какой степени влияние фонда на рынок снизит доходность?
    • Какова степень вмешательства человека? Это имеет решающее значение для понимания процесса управления рисками и его влияния на соотношение риска и доходности инвестиций.

    Как инвесторы могут наилучшим образом интегрировать и распределять стратегии ML в портфелях? Количественные стратегии и, в частности, стратегии машинного обучения могут приносить привлекательные доходы, которые практически не связаны с существующими ассигнованиями инвесторов. Часто долгосрочные инвесторы объединяют менеджеров по машинному обучению с более традиционными количественными менеджерами, чтобы повысить прибыль за вычетом комиссионных и диверсифицировать бета-риск капитала. Важно отметить, что диверсификация между различными менеджерами ОД, горизонтами прогнозирования и стилями потенциально может улучшить доходность с поправкой на риск, обеспечить большую устойчивость в течение рыночных циклов и уменьшить подверженность индивидуальным ограничениям возможностей менеджеров.

    Важность диверсификации менеджеров, тщательная комплексная проверка и квалифицированное формирование портфеля указывают на то, что предложения с несколькими менеджерами являются эффективным подходом для достижения целей портфеля инвесторов с помощью стратегий машинного обучения.

    Заключение

    Значительный рост использования машинного обучения для торговли на финансовых рынках затрудняет игнорирование машинного обучения инвесторами, особенно теми, кто ищет новые источники некоррелированной альфы. Несмотря на то, что риски и проблемы остаются, инвесторы, способные сочетать разумный выбор менеджера с надежным формированием портфеля, имеют возможность задействовать всю мощь машинного обучения для улучшения результатов портфеля.


      1. В своем 12-м ежегодном глобальном опросе альтернативных фондов и инвесторов, проведенном Ernst & Young (EY) в ноябре 2018 г., более 40% инвесторов хедж-фондов считают крайне важным, чтобы их менеджеры использовали ИИ в своих инвестиционных процессах. .
    2. См., например, «Стратегии больших данных и ИИ: машинное обучение и альтернативный подход к инвестированию данных», J.P. Morgan Securities LLC, май 2017 г. 3. Гордон Э. Мур, «Прогресс в цифровой интегрированной электронике », Корпорация Intel, 19 лет75. 4 . «Альтернативные источники данных» (в финансах или инвестициях) обычно описывают данные, отличные от тех, которые генерирует компания (например, отчеты SEC, пресс-релизы и т. д.), и используемые при оценке ее инвестиционного потенциала. 5 . Джон Ганц, Дэвид Рейнсел, Джон Риднинг, «Эпоха данных 2025: оцифровка мира от края до ядра», документ IDC № US44413318, ноябрь 2018 г., спонсируемый Seagate.
    Арбитражные стратегии очень сложны. Такие торговые стратегии зависят от различных компьютерных и телекоммуникационных технологий и от адекватной ликвидности на торгуемых рынках. Успешное выполнение этих стратегий может быть серьезно подорвано, среди прочего, неликвидностью торгуемых рынков. Эти стратегии зависят от исторических корреляций, которые не всегда могут быть верными и могут привести к убыткам. Инвесторы должны рассматривать инвестиции в хедж-фонды как дополнение к общей инвестиционной программе и должны инвестировать только в том случае, если они готовы взять на себя связанные с этим риски. Инвестиции в хедж-фонды сопряжены со значительными рисками, такими как неликвидность и долгосрочные инвестиционные обязательства.

    0903c02a82777af0

    Использование машинного обучения для прогнозирования эффективности взаимных фондов

    Дайджест:
    № 5, май 2022 г.

    Подписаться

    Делиться

    Твиттер

    LinkedIn

    Эл. адрес

    В книге «Машинное обучение навыкам управляющих взаимными фондами» (рабочий документ NBER 29723) Рон Каниэль, Зихан Лин, Маркус Пелгер и Стийн Ван Ньювербург используют нейронную сеть для прогнозирования эффективности взаимных фондов. Они оценивают взаимосвязь между большим набором атрибутов фондов, чтобы определить взаимные фонды США с наилучшей относительной эффективностью. Они применяют свою модель для ежемесячного прогнозирования дециля фондов с наибольшей эффективностью и расчета весовых коэффициентов портфеля для различных фондов, которые принесут максимальную прибыль в верхнем дециле.

    Инвестирование в соответствии с прогнозами модели привело к совокупному аномальному доходу в размере 72 процентов за период с 1980 по 2019 год. Дециль взаимных фондов, который, по прогнозам, будет демонстрировать наихудшую доходность каждый месяц, дал совокупную аномальную доходность в размере -119 процентов за тот же период. Разница между доходами в лучшем и худшем децилях, 191 процент, была как экономически большой, так и статистически значимой.

    Модель, учитывающая эффекты взаимодействия между настроениями инвесторов, потоками средств и моментумом фондов, обладает существенной способностью прогнозировать лучшие и худшие фонды.

    Среднему паевому фонду из выборки из 3275 фондов было почти 14 лет, его активы составляли 1,15 миллиарда долларов, а ежемесячный коэффициент расходов составлял около 0,1 процента. Ненормальная доходность — это доход, полученный сверх того, что инвестор ожидает, учитывая уровень риска фонда. Такая доходность оценивалась путем вычитания месячной доходности казначейских векселей из месячной доходности фонда до уплаты комиссий за вычетом расчетной компенсации за систематическое воздействие факторов риска. От 10 до 20 процентов фондов в выборке принесли положительную аномальную доходность после вычета комиссий, при этом большая часть прибыли была получена за счет ухода от фондов с наихудшими показателями. Средняя ненормальная доходность составляла -0,03 процента в месяц.

    Исследователи пришли к выводу, что мало что можно узнать о деятельности фонда по характеристикам акций, которыми он владеет. Их альтернативный подход начался с 59 характеристик фонда и изучения того, как они были связаны с последующим доходом фонда. Модель машинного обучения, которую они применяют к этим данным, выявила существенные эффекты взаимодействия между настроениями инвесторов, потоком и моментом финансирования. Импульс фонда — это его средняя аномальная доходность за предыдущие 12 месяцев, за исключением самого последнего месяца. Поток – это изменение общих чистых активов за месяц. Аномальная доходность была почти идентична, когда характеристики фонда в модели сводились к этим трем атрибутам.

    Периоды настроений инвесторов выше среднего приводили к сильной связи между импульсом фонда, потоком и ненормальной доходностью в следующем месяце. В сочетании с характеристиками фондов состояние макроэкономики, опосредованное индексом национальной активности Федерального резервного банка Чикаго (CFNAI), предсказало лучшие и худшие результаты, а также настроения инвесторов. Хотя модели, использующие настроения и CFNAI, помещают 78 процентов тех же фондов в нижний дециль и 74 процента тех же фондов в верхний дециль, модель с настроениями лучше справлялась с прогнозированием фактической аномальной доходности фондов. Настроения инвесторов также лучше прогнозировали относительную доходность в верхнем и нижнем децилях. Взвешенные по прогнозам портфели, созданные из верхнего дециля фондов, принесли кумулятивную аномальную доходность в размере 72 процентов. Инвестиции в портфели с одинаковым весом принесли всего 48%.

    Результаты согласуются с тем, что инвесторы успешно обнаруживают квалифицированных менеджеров и перераспределяют свои инвестиции в их пользу. Они также согласуются с фондами и семьями фондов, успешно использующими маркетинг для привлечения инвесторов.

Back to top