Магистрант программы по экономики Школы вычислительных социальных наук Данила Краснов получил специальную премию на VII конкурсе студенческих работ Cbonds в номинации «За лучшее применение технологий искусственного интеллекта в анализе рынка облигаций».
Конкурс Cbonds направлен на поддержку талантливых студентов, исследующих долговой рынок России и других стран. Специальная номинация по ИИ отмечает работы, где искусственный интеллект используется как полноценный исследовательский инструмент для анализа данных, моделирования и прогнозирования.
Данил рассказал нам о его конкурсном исследовании:
О теме работы
— Тема моей конкурсной работы называется «Рыночные сигналы кредитного риска в сегменте высокодоходных облигаций (ВДО): моделирование G-спреда и вероятности дефолта методами машинного обучения». Я ее подготовил специально для конкурса, в магистратуре мой исследовательский фокус другой: там я занимаюсь пространственной эконометрикой региональной неоднородности инфляции (мой научный руководитель — Юлия Владимировна Раскина). Сегмент высокодоходных облигаций я взял отдельным сюжетом и собирал его с нуля (данные, ии-модели), но методологическую базу (панельные данные, корректную валидацию, работу с временными рядами) я взял из первого года обучения в магистратуре по экономике.
Почему выбрал именно ее
— Я выбрал этот сюжет для конкурса, потому что в 2024–2026 годах сегмент высокодоходных облигаций оказался в состоянии системного стресса: ключевая ставка достигла исторического максимума, у эмитентов третьего эшелона с коротким долгом сформировалась «стена погашений», а рынок столкнулся с волной дефолтов. Это редкая ситуация, позволяющая на российских данных проверить вопрос, который обычно изучают на американском материале: способен ли рынок заранее предвидеть дефолт и за сколько недель до него это происходит. Меня также привлекла специальная номинация, посвященная искусственному интеллекту. Было интересно проверить, можно ли с помощью ИИ автоматизировать контроль качества исследования, чтобы алгоритмы отслеживали процесс сбора данных, построение моделей и интерпретацию результатов без типичных человеческих ошибок.
Что оказалось самым сложным
— Самым сложным в работе было объединить методологию и инструменты ИИ так, чтобы получить содержательно убедительный результат. Ну и психологически сложнее всего оказалось опубликовать отрицательный результат по центральной гипотезе исследования.
О результатах исследования
— Я построил две модели кредитного риска для российских высокодоходных облигаций на еженедельных данных 2023–2026 годов (источники — МосБиржа и центр раскрытия e-disclosure): Модель G-спреда, которая оценивает, насколько доходность облигации превышает безрисковую ставку; Hazard-модель предсказывает вероятность дефолта эмитента на горизонте 26 недель.
Главный результат был в том, как эти модели работают вместе. Оказалось, что рыночные сигналы действительно предсказывают дефолт существенно лучше, чем просто средняя частота дефолтов. Например, на кейсе «Гарант-Инвеста» модельная оценка вероятности дефолта пересекла порог 0,5 примерно за десять недель до события. Вместе с тем, моя центральная гипотеза не подтвердилась: предсказанный моделью спред и его «аномалия» не дают дополнительной прогнозной силы сверх того, что уже видно по наблюдаемому уровню спреда. Иначе говоря, вся информация уже заложена в текущей цене и усложнять конструкцию бессмысленно. При этом инструмент раннего предупреждения работает на полностью публичных данных и полностью воспроизводим.
Поздравляем Данилу с победой и желаем дальнейших успехов!