Financial risk management Financial risk management Управление финансовыми рисками 2221-7541 2618-8805 BIBLIO-GLOBUS Publishing House 125941 10.18334/ufr.22.3.125941 KRWYHH Articles Статьи Research Article Opportunities and limitations of factor investments in the Russian stock market Возможности и ограничения факторного инвестирования на российском рынке акций https://orcid.org/0009-0000-0748-1618 Sadykov Sayyar Ilshatovich Садыков Сайяр Ильшатович

аспирант

 saisadykov@kpfu.ru https://orcid.org/0000-0002-8170-39253615-2630 Kokh Igor Anatolyevich Кох Игорь Анатольевич

д. э. н., профессор, основной работник кафедры финансовых рынков и финансовых институтов

 koch-mail@yandex.ru Kazan Federal University Казанский (Приволжский) федеральный университет 30 09 2026 22 3 VOL 22, NO3 (2026) ТОМ 22, №3 (2026) 21 04 2026 24 05 2026 Copyright ©; 2026, Sadykov S.I., Kokh I.A. Copyright ©; 2026, Садыков С.И., Кох И.А. 2026 Sadykov S.I., Kokh I.A. Садыков С.И., Кох И.А. https://1economic.ru/lib/125941

The article examines the dynamics of the 30 largest Russian stocks by capitalization for the presence or absence of restrictions in the construction of factor strategies. The article aims to identify the specifics of the behavior of the Russian stock market that affect the possibility of applying factor investment strategies and to propose methodological solutions that take these features into account. The study uses statistical methods for analyzing stock returns, including simple and cluster correlation, finding the beta coefficient and the coefficient of determination of the CAPM model, and the principal component method to identify the presence of hidden factors. In the course of consideration of the instability of the market factor of Russian stocks at different phases (growth, decline, recovery, and consolidation), its predominance during the bearish trend period was revealed. During the search for hidden factors, industry clusters of oil producing and metallurgical companies were found. The correlation analysis with commodity and currency variables confirmed the interaction of clusters. To address the issue of clustered bias, the double-clustering method is identified as optimal. The problems of interconnection typical for the oil and gas and metallurgical industries and the influence of market phases on asset behavior are confirmed. The possibilities and limitations of their solution are presented.

В данной работе проводится исследование динамики 30 наиболее крупных по капитализации российских акций на наличие или отсутствие ограничений при построении факторных стратегий. Основной целью является необходимость выявить специфические особенности поведения российского рынка акций, влияющие на возможность применения стратегий факторного инвестирования, и предложить методические решения, учитывающие эти особенности. В исследовании используются статистические методы анализа доходности акций, включая простую и кластерную корреляцию, нахождение коэффициента бета и коэффициента детерминации модели CAPM, метод главных компонент для выявления наличия скрытых факторов. В ходе рассмотрения нестационарности рыночного фактора российских акций на разных фазах (рост, падение, восстановление, консолидация) выявлено его преобладание в период медвежьего тренда. При проведении поиска скрытых факторов найдены отраслевые кластеры нефтедобывающих и металлургических компаний. В ходе корреляционного анализа с сырьевыми и валютными переменными подтверждено взаимодействие кластеров. Наилучшим методом для решения кластерного смещения выявлен метод двойной очистки. Подтверждены проблемы взаимосвязи, характерной для нефтегазовых и металлургических отраслей, и влияния фаз рынка на поведение активов. Представлены возможности и ограничения при их решении

 factor investments emerging markets Russian stock market asset pricing models cluster correlation факторное инвестирование развивающиеся рынки российский фондовый рынок модели ценообразования активов кластерная корреляция 1. Гамиловская А. А., Хеба И. М. Сравнительная характеристика фондовых рынков Российской Федерации и Ирана // 68 Вестник евразийской науки. – 2023. – № 5. – c. 42. – url: https://esj.today/PDF/43ECVN523.pdf. 2. Климовских Н. В., Ружанская Н. В., Чудаева А. А., Усанов А. Ю. Сравнительный анализ влияния фактора неопределенности на темпы роста экономик группы стран, доминирующих в мировом хозяйстве периода 2013–2023 гг. // Вестник Томского государственного университета. Экономика. – 2025. – № 69. – c. 255–276. – doi: 10.17223/19988648/69/15. 3. Кудрявцева Е. А., Шкиотов С. В., Угрюмова М. А. Анализ макроэкономических факторов, влияющих на динамику фондового рынка России // Теоретическая экономика. – 2021. – № 11. – c. 96–101. – doi: 10.52957/22213260_2021_11_96. 4. Bansal N., Blum A., Chawla S. Correlation Clustering // Machine Learning. – 2004. – doi: 10.1023/B:MACH.0000033116.57574.95. 5. Boumans M., Leonelli S. From Dirty Data to Tidy Facts: Clustering Practices in Plant Phenomics and Business Cycle Analysis // Philosophy of Science. – 2020. – № 5. – p. 1049–1060. 6. Bun J., Bouchaud J.-P., Potters M. Cleaning large correlation matrices: tools from random matrix theory // Physics Reports. – 2017. – p. 1-109. – doi: 10.1016/j.physrep.2016.10.005. 7. Carhart M. M. On Persistence in Mutual Fund Performance // The Journal of Finance. – 1997. – p. 57–82. – doi: 10.2307/2329556. 8. Cazalet Z., Roncalli T. Facts and Fantasies About Factor Investing. - Rochester, NY, 2014. – 112 p. 9. Damodaran A. Country Risk: Determinants, Measures, and Implications – The 2024 Edition [Электронный ресурс]. DOI:10.2139/ssrn.4751941 10. Fama E. F., French K. R. A Five-Factor Asset Pricing Model // Journal of Financial Economics. – 2015. – p. 1-22. – doi: 10.1016/j.jfineco.2014.10.010. 11. Fama E. F., French K. R. Common risk factors in the returns on stocks and bonds // Journal of Financial Economics. – 1993. – № 1. – p. 3-56. – doi: 10.1016/0304-405X(93)90023-5. 12. Goel H., Singh N. P., 2021. Dynamic prediction of Indian stock market: an artificial neural network approach,» International Journal of Ethics and Systems, Emerald Group Publishing Limited, vol. 38(1), pages 35-46, August. DOI: 10.1108/IJOES-11-2020-0184 13. Harvey C. R., Liu Y., Zhu H. And the Cross-Section of Expected Returns // The Review of Financial Studies. – 2016. – p. 5-68. – doi: 10.1093/rfs/hhv059. 14. Hearn B., Piesse J. Pricing Southern African Shares in the presence of Illiquidity: A Capital Asset Pricing Model augmented by Size and Liquidity Premiums. 2007. 33 p. [Электронный ресурс]. URL: https://ssrn.com/abstract=1262956 (дата обращения: 10.04.2026). 15. Hearn B., Piesse J., Strange R. Market Liquidity and Stock Size Premia in African Emerging Financial Markets: The Implications for Foreign Investment. 2008. 33 p. https://doi.org/10.1016/j.ibusrev.2009.02.009 URL: https://doi.org/. 16. Herwartz H., Siedenburg F. Demeaning the data in panel-cointegration models to control for cross-sectional dependencies // Economics Letters. – 2011. – № 3. – p. 252–254. 17. Investing.com - Stock Market Quotes Financial News. [Электронный ресурс]. URL: https://www.investing.com (дата обращения: 10.04.2026). 18. Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A. 2016. https://doi.org/10.1098/rsta.2015.0202 URL: https://doi.org/. 19. Pearson K. LIII. On Lines and Planes of Closest Fit to Systems of Points in Space // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. – 1901. – № 2. – p. 559-572. – doi: 10.1080/14786440109462720. 20. Rahmani A., Sheri S., Tajvidi E. Accounting Variables, Market Variables and Stock Return in Emerging Markets: Case of Iran. Tehran: Allameh Tabataba'i University, 2006. 16 p. URL: https://ssrn.com/abstract=947288 (дата обращения: 10.04.2026). 21. Sharpe W. F. Capital asset prices: A theory of market equilibrium under conditions of risk // The Journal of Finance. – 1964. – № 3. – p. 425-442. – doi: 10.1111/j.1540-6261.1964.tb02865.x. 22. Wang J., Chen Z. Factor-GAN: Enhancing stock price prediction and factor investment with Generative Adversarial Networks // PLoS ONE. – 2024. – № 6. – p. e0306094. – doi: 10.1371/journal.pone.0306094. 23. Wold S., Esbensen K., Geladi P. // Chemometrics and Intelligent Laboratory Systems. – 1987. – № 2. – p. 37-52. – url: http://dx.doi.org/10.1016/0169-7439(87)80084-9. 24. Zeng H., Marshall B. R., Nguyen N. H., Visaltanachoti N. Forecasting Individual Stock Returns Using Macroeconomic and Technical Variables. 2019. 37 p. https://doi.org/10.1111/irfi.70014 URL: https://doi.org/.