Кластеризация валют по абсолютным курсам (ML-эксперимент)

Коллеги, решил проверить, насколько хорошо методы машинного обучения группируют валюты, если использовать не парные котировки, а абсолютные курсы (метод Abscur — расчёт единой фундаментальной стоимости для 45 валют через оптимизацию сетки из 85+ пар).

Что сделано:

• Взяты ежедневные абсолютные курсы 45 валют с 1996 по 2026 год.

• Для каждой валюты рассчитаны 7 признаков за 1, 5 и 10 лет: общая доходность, средняя дневная доходность, волатильность, коэффициенты Шарпа/Сортино, максимальная просадка, коэффициент вариации (итого матрица 45×21).

• Стандартизация, затем k‑means и иерархическая кластеризация.

Результаты (k=4):

Кластер 0 (20 валют): стабильные развитые — USD, EUR, CHF, GBP, CAD, SEK, SGD, CNY, HKD и др. Низкая волатильность, малые просадки.

Кластер 1 (14 валют): сырьевые и развивающиеся рынки — AUD, BRL, RUB, ZAR, NOK, MXN, COP, KZT и др. Высокая доходность, высокая волатильность, заметные просадки.

Кластер 2 (3 валюты): кризисный обвал — ARS, EGP, TRY. Просадки >80%, доходность резко отрицательная на всех горизонтах.

Кластер 3 (8 валют): азиатский — JPY, INR, KRW, IDR, PHP, PKR, TWD, UAH. Иена не попала в группу убежищ, а оказалась ближе к другим азиатским валютам.

Интересные наблюдения:

• NOK (норвежская крона) — в сырьевом кластере, а SEK — в стабильном (разная экономическая структура).

• RUB — не в кризисном кластере, а в группе развивающихся рынков (восстановление после обвалов).

Вопрос к сообществу: Как вы считаете, насколько такой подход может быть полезен для валютной диверсификации? Стоит ли добавлять в портфель валюты из разных кластеров или корреляции всё равно высоки?

📊 Код, данные, все расчёты и графики:
https://www.kaggle.com/code/eavprog/abscur-ml-currency-clustering