Алгоритмы против географии: как Machine Learning пересмотрел «личности» мировых валют

Традиционно валюты принято делить по регионам: «европейские», «развивающиеся», «азиатские». Но ведут ли они себя в соответствии с этими ярлыками? Используя методы машинного обучения и данные об абсолютных курсах с платформы abscur.ru, я провел кластеризацию 45 мировых валют.

Результаты показывают: математика находит общие черты у активов, разделенных океанами, и видит пропасть там, где мы привыкли видеть соседство.

Как проводилось исследование

Вместо стандартного анализа пар (где данные всегда искажены волатильностью доллара), я использовал абсолютные курсы. Каждая валюта получила «поведенческий паспорт» из четырех метрик: доходность (CAGR), волатильность, устойчивость к кризисам (Max Drawdown) и скорость «выздоровления» (Recovery Days).

Четыре архетипа мирового рынка

На основе данных алгоритм K-Means выделил следующие группы:

1. 🛡️ Тихие гавани (Cluster 2)

Это самая многочисленная и желанная группа. Здесь не только USD и EUR, но и неожиданные лидеры.

• Лидеры доходности: Швейцарский франк (CHF, CAGR 3.07%) и Китайский юань (CNY, CAGR 2.91%).
• Стабильность: Группа показывает феноменальную скорость восстановления — в среднем всего 25–50 дней после просадок.
• Сюрприз: Сюда попала норвежская крона (NOK), чей риск-профиль оказался ближе к стабильному CHF, чем к турбулентным сырьевым коллегам.

2. ⏳ Зоны долгого восстановления (Cluster 3)

Валюты-«зомби». Они не обесцениваются мгновенно, как лира, но «зависают» в кризисах на годы.

• Примеры: Тенге (KZT) и Колумбийское песо (COP).
• Аномалия: Скорость восстановления достигает 735 дней. Инвестор в такие активы рискует заморозить капитал на 2 года просто в ожидании выхода «в ноль».

3. 🚀 Турбулентные развивающиеся (Cluster 0)

Здесь кипит жизнь и высокая волатильность.

• Состав: Российский рубль (RUB), Мексиканское песо (MXN), Южноафриканский рэнд (ZAR).
• Поведение: Волатильность здесь в 2–4 раза выше, чем в «тихих гаванях» (у RUB — 12.09%), но в отличие от следующей группы, у этих валют есть периоды мощного роста.

4. 🔴 Эпицентры девальвации (Cluster 1)

Математические изгои рынка.

• Лидеры анти-рейтинга: Аргентинское песо (ARS, CAGR -21.16%) и Турецкая лира (TRY, CAGR -12.12%).
• Дистанция риска: Эти валюты имеют просадки (Max Drawdown) в -92% и -99%. Математика подтверждает: это не рыночный риск, а системный коллапс.

Главные выводы исследования

1. Скорость важнее глубины: Разница между «хорошей» и «плохой» валютой не в том, насколько сильно она падает, а в том, как быстро она возвращается к росту. Разрыв между 30 днями (CHF) и 735 днями (COP) — это пропасть в эффективности капитала.
2. Геометрия девальвации: Кластер ARS и TRY на графиках PCA находится в полной изоляции. Это доказывает, что их динамика больше не связана с мировыми экономическими циклами.
3. Объективный фильтр: Подобная кластеризация позволяет автоматически отсекать активы с «плохой генетикой» (длинным Recovery Days) еще до того, как они принесут убытки.

---

Полные результаты и интерактивный код:
Все расчеты, включая детальную таблицу по каждой из 45 валют, доступны в моем Kaggle-ноутбуке:
👉 Absolute FX Behavioral Profiling на Kaggle

Математика видит рынок без прикрас. А что выбираете вы: 3% годовых в "тихой гавани" или 2 года ожидания выхода из просадки?