《机制转换视角下的资产配置机器学习能否协助决策》由会员分享，可在线阅读，更多相关《机制转换视角下的资产配置机器学习能否协助决策（28页珍藏版）》请在金锄头文库上搜索。
1、1.机制转换(Regime Switching )视角下的投资 511资产收益分布：受内外因素影响而呈现混合分布形态512从可观测状态到隐藏状态613以HMM模型识别隐藏状态82.2.拐点识别：基于资产收益率的机制转换1021单资产的拐点识别：灵敏度缺乏1022多资产的隐藏状态转换1323行业指数中的隐藏状态转换173.3.基于宏观数据的机制赚：宏观崛状态能否调节资产配置203.1单一宏观变量的隐藏状态识别2032多变量的状态识别2133宏观可观测状态与资产隐藏状态的组合使用224.小结245.5.风险提示25状态2状态10.99390.0061状态20.08400.9160表3 :机制转换隐
2、藏状态的转移矩阵(2014-2020 )状态1资料来源：Wind ,申万宏源研究但是如果我们缩短识别区间，那么基于混合正态分布的HMM模型较难识别到资 产收益的不同机制，例如我们仅对2017年和2018年的沪深300日收益进行识 别，虽然在第一局部中我们看到了 2个时段收益的不同风险收益特征，但混合正态分 布下的HMM模型未能将两种状态进行区分，说明通过观测序列反推隐藏状态的过 程实际仍然有较大的困难。基于收益率在短时间内的自相关性，使用正态分布刻画不同隐藏状态下的资产收 益分布可能并不合适，也会导致参数估计的效率下降，因此我们尝试将不同状态下收 益率服从正态分布的假设改为服从AR模型，即考虑
3、与滞后项的相关性：pi = l即收益率在不同隐藏状态下服从不同的自相关模型，我们将自回归模型阶数设为4 ,在20172018年进行沪深300日收益率的机制转换识别，识别效果较好：图7 :沪深300日收益率机制转换识别回归模型，2017-2018 )10.90.80.70.60.50.40.30.20.1017-0117-0417-0717-1018-0118-0418-0718-1019-01模型能够将2017和2018年判定为不同的机制，两个状态下的收益均值和方差 也确实存在差异：表4 :机制转换隐藏状态下的沪深300收益均值.方差（自回归模型，状态2状态220172018)状态1均值0.1
4、3%-0.17%方差0.00030.0006资料来源：Wind ,申万宏源研究表5 :机制转换隐藏状态的转移矩阵（自回归模型，2017-2018 ）表5 :机制转换隐藏状态的转移矩阵（自回归模型，2017-2018 ）状态 10.99070.0093状态 20.00520.9948资料来源：Wind ,申万宏源研究以上机制转换的结果主要是基于历史数据的拟合结果，而如果我们要利用机制转 换可能提供的拐点信息，那么需要在市场运行的过程中识别到市场隐藏状态的变化。 对此，我们尝试采用滚动方式识别拐点，分别使用混合正态分布和自回归模型假设：1 ）类似图5-6的识别方式，假设指数有两种隐藏状态，在每种隐
5、藏状态下服从 正态分布，在过去500个交易日中进行HMM模型的拟合,如果拟合结果 显示最新交易日有较大概率出现了隐藏状态的变化，且变化后状态提示收益 均值为负，那么空仓以防止系统性风险；）类似图7的识别方式 假设指数在两种隐藏状态下符合AR模型 在过去500 个交易日中进行HMM模型拟合，如果拟合结果显示最新交易日较过去状态 有较大程度偏离，且变化后状态提示收益均值为负，那么空仓以防止系统性风 险。我们对沪深300从2014年开始进行该识别，对以上两种模型分别进行月频、日 频的择时测试，结果如下：图8 :沪深300机制转换择时（正态分布）图9 :沪深300机制转换择时（AR模型）数据自 201
6、4.1.1 至 数据自 2014.1.1 至 以上各组测试中，各频率、方法的择时模型效果都不太理想：1）如同前面全样 本的测试一样，基于正态假设的HMM模型灵敏度较低，仅能区分差异非常大的状 态间的转换，识别产生的有效信号数量少；2 ）两种择时信号都较为滞后，不能及时 提示大级别的变化，也容易错失上涨机会，尤其是在提示完大级别的下跌后，如果市 场缓慢恢复模型很有可能无法提示有效加仓信号，从而影响择时表现。各组择时中， 仅有基于AR模型的月频信号在降低波动和回撤上表达了一定的作用，但其信号同时 错失了 2015年初的上涨，说明机制转换在市场变化过程中对单资产识别的拐点 实用性较弱。因此，从单资产
7、的拐点识别来看，虽然从上帝视角进行回看时，模型能 够比拟好地帮助我们认识资产内在运行机制的变化，但从投资视角来看，模型仍然较 难识别当下可能迅速发生的变化，灵敏度较低，因而在投资中前瞻性作用缺乏，模型 用于复盘相对更合适。2.2多资产的隐藏状态转换虽然机制转换模型在单资产的拐点识别中效果较不理想，但以图7为例，由 于其在历史数据中仍然具备较为出色的隐藏状态划分能力，因此更多地被用在多资产 投资环境的识别和配置选择中。类似美林时钟、经济+宏观流动性新时钟的四象限划分法，我们尝试直接通过股 票、债券、商品的月度表现，利用HMM进行机制转换的识别，将2013年以来的时 段分为4种状态：图10 :正态
8、假设下的多资产机制转换划分E含瓶状态1 陵.戒状态2 隐底状态3 陵痣状态4资料来源：Wind ,申万宏源研究 数据自 2013.1.1 至 在这一局部的机制转换划分中，我们完全利用资产的收益率矩阵，即仅使用了资 产自身的信息，而并未使用其他宏观变量，因此我们看到此处的隐藏状态转换较为频 繁。在以上四种状态下，各资产次月的平均收益、上涨频率如下：表6:多资产机制转换下的次月资产收益鼐香例僵题馥密沪深300中证500商品债券状态1平均收益-2.10%-0.84%0.25%0.39%上涨频率38.89%50.00%44.44%77.78%状态2平均收益5.18%4.79%0.97%-0.12%上涨
9、频率82.35%88.24%58.82%47.06%状态3平均收益3.34%6.80%-0.39%0.58%上涨频率71.43%85.71%42.86%85.71%状态4平均收益0.38%-0.37%0.16%0.48%上涨频率55.56%42.59%46.30%75.93%各隐藏状态之间的可视化状态转移矩阵如下，线条颜色越深，转移概率越大：图11 ：正态假设下的多资产机制转换状态转移矩阵2T三 qpqod UOSSUE.I19876543212T三 qpqod UOSSUE.I1987654321资料来源：申万宏源研究 数据自2013至2020年在以上划分中，资产在不同机制下的特征较为清晰，
10、但多数时段都处于权益收益 不确定、债券表现较好的隐藏状态4中，这也与我们的实际投资环境较为吻合。如果 我们改用向量自回归VAR模型的假设，即假设资产存在自相关性，同时可与其他资 产历史表现相关，那么机制转换划分情况如下，仍然是多数情况集中在权益不确定、债 券上涨的环境：图12 : VAR假设下的多资产机制转换划分10.90.80.70.60.50.40.30.20.1015-0117-0720-01资料来源：Wind ,申万宏源研究 数据自 2013.1.1 至 当我们将过去8年的历史数据统一进行机制转换划分时，模型倾向于将特征明确 的状态单独划分，而近5年权益市场波动减小，模型容易将其划分为
11、几乎相同的情 形。为了提高模型的适应性同时对资产配置提供一定指导，我们同样采用滚动的方式 进行划分：每个月末根据过去5年的资产收益率数据进行正态假设的HMM模型学 习，并判断当前所处的隐藏状态与哪些历史时段类似，然后选择相似的历史时段下表 现较好的资产进行配置。我们使用沪深300、中证500、南华商品指数、中债新综合 财富指数的数据自2017年开始进行配置测试。由于HMM模型在进行参数估计时需要输入隐藏状态的初始概率、初始状态转 移矩阵，这些变量并不可观测因此常随机赋予，这也会使得模型的结果存在不稳定性。 为了减少模型拟合结果不稳定的影响，我们在滚动测试中每期循环1000次，每次根 据划分的状
12、态选择历史上涨频率大于60%的资产等权配置，然后将1000次的权重 平均后得到当期配置权重，同时记录1000次历史状态下的平均资产收益。我们将以下组合进行比拟：1 ）基准组合（15%沪深300 , 15%中证500 , 5%商品,65%债券）;）动量组合：每月选择4个月动量为正的资产等权配置； 3 ）机制转换组合：每月根据1000次机制转换划分平均得到的权重配置；4）目标波动组合：根据过去5年的收益均值和方差，每月求解年化波动目标 5%的配置权重（沪深300权重5-30% ,中证500 0-30% ,权益合计不超 过40% ,商品010%）;5 ）机制转换-BL组合：每月根据1000次机制转换
13、划分得到的历史平均资产收 益作为观点，使用BL模型与5%的目标波动结合得到配置权重。各组合的表现如下：13 :滨产机制转换策略净值14 :姿产机制转换BL组合净值资料来源：Wind ,申万宏源研究 数据自 2017.1.1 至 资料来源：Wind ,申万宏源研究 数据自 2017.1.1 至 资料来源：Wind ,申万宏源研究 数据自 2017.1.1 至 表7:资产机制转换组合表现最大回撤夏普率基准5.25%6.18%7.87%0.85动量8.00%10.95%12.37%0.73机制转换8.63%6.24%6.20%1.38目标波动5%4.24%3.90%4.08%1.09机制转换 BL-
14、5%5.36%2.97%3.12%资料来源：Wind ,申万宏源研究1.81数据自 2017.1.1 至 无论从单纯机制转换的组合还是带有目标波动的BL组合来看，机制转换的观点 都从2018年开始明显跑赢对应的基准，说明模型能够通过识别市场环境的变化给出 配置建议，机制转换模型相比动量信息具有更低的波动和更高的胜率。如果我们将回 测时间再往前延长至2014年开始，那么模型在2016年表现相对较弱,适应性缺乏, 其余时段表现较好。同时，经过1000次识别，模型能够给出当前时刻较上个月状态维持不变的可能性，每个月状态不变的可能性和机制转换策略给出的权重建议如下:图16 :机制转换组合权重图15 :
15、隐藏状态不变的可能性gdes6VA0Na_L_r工2之6 Tua，87ON OT&WF8SFug98765432oioz OQda Oe-Lnr 。工卷 ow.tes oz-uer 6;ON 628s 6;_nr 61 6;ew 6工* 8;A0N ooTnr 8工3 匚，AON zvnr Z 工es 卜工 匚，uer沪深300 中证503 商品债券资料来源：Wind ,申万宏源研究数据自2017年1月至2020年12月资料来源：Wind ,申万宏源研究数据自2017年1月至2020年12月模型在17年初、19年第二季度、20年都提示了可能的隐藏状态变化，模型的 调仓效果也较好。因此，在多姿产的配置问题中，基于正态假设的HMM模型
