机制转换视角下的资产配置，机器学习能否协助决策.docx

《机制转换视角下的资产配置，机器学习能否协助决策.docx》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、目录1.机制转换（RegimeSwitching）视角下的投资51.1资产收益分布：受内外因素影响而呈现混合分布形态51.2从可观测状态到隐藏状态61.3以HMM模型识别隐藏状态82.“拐点”识别：基于资产收益率的机制转换102.1单资产的“拐点”识别：灵敏度不足102.2多资产的隐藏状态转换132.3行业指数中的隐藏状态转换173.基于宏观数据的机制转换：宏观隐藏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203.2多变量的状态识别213.3宏观可观测状态与资产隐藏状态的组合使用224.小结245.风险提示25图表

2、目录图1：沪深3002017-2018年日收益率6图2：沪深300日涨跌自相关性7图3：PMI月升降自相关性7图4：机制转换模型示意图8图5：沪深300日收益机制转换识别（2009~2020）10图6：沪深300日收益机制转换识别（2014~2020）10图7：沪深300日收益率机制转换识别（自回归模型，2017~2018）11图8：沪深300机制转换择时（正态分布）12图9：沪深300机制转换择时（AR模型）12图10：正态假设下的多资产机制转换划分13图11：正态假设下的多资产机制转换状态转移矩阵14图12：VAR假设下的多

3、资产机制转换划分15图13：资产机制转换策略净值16图14：资产机制转换BL组合净值16图15：隐藏状态不变的可能性17图16：机制转换组合权重17图17：行业机制转换示意图18图18：行业机制转换组合净值19图19：CPI同比的隐藏状态识别20图20：不同的资产配置决策路径示意21图21：多宏观数据的隐藏状态识别22图22：稳健组合净值（2014年起）23图23：稳健组合净值（2017年起）23图24：激进组合净值（2014年起）23图25：激进组合净值（2017年起）23表1：沪深3002017-2018日收益特征及检验情况

4、6表2：机制转换隐藏状态下的沪深300收益均值、方差（2014~2020）10表3：机制转换隐藏状态的转移矩阵（2014~2020）11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，2017~2018）.....................................................................................................................12表5：机制转换隐藏状态的转移矩阵（自回归模型，2017~2018）12表6：

5、多资产机制转换下的次月资产收益14表7：资产机制转换组合表现16表8：六大行业板块划分17表9：两状态机制转换下的板块表现18表10：行业机制转换组合表现19表11：激进组合表现（2014年起）23在量化资产配置问题中，通过优化器将风险收益预期与风险偏好相结合从而得到组合配置权重一直以来是学界和业界都使用广泛的思路。而随着机器学习研究的不断深入，能否将机器学习中的思想运用到量化资产配置中也是投资者所关心的话题，例如聚类方法可用于资产分层筛选，随机森林、贝叶斯分类器可用于风险区间的建模等，多种方法都在资产配置中有较适用的场景，本报

6、告中，我们将从理论、实践角度讨论基于隐马尔可夫模型（HMM）的机制转换模型能否在识别隐藏状态上对资产配置做出贡献。1.机制转换（RegimeSwitching）视角下的投资1.1资产收益分布：受内外因素影响而呈现混合分布形态在传统的带有预期收益的量化资产配置模型中，一般默认资产只有一个均衡的预期收益，资产收益服从正态分布，资产波动、相关性水平也是相对稳定的：??~?(??，∑?)??=??+??其中，??为多个资产t时刻的收益向量，??为t时刻的预期均衡收益向量，∑?为多个资产的协方差矩阵，??为资产实际收益与预期收益的偏差（服

7、从正态分布）。一般通过优化求解资产配置比例的模型中多基于以上假设进行求解。然而，资产的收益、波动常呈现出一定的聚集形态，“厚尾”现象也常带来较大的损失，而在实证当中我们也发现不同的资产在不同的时期，受到经济周期、金融周期、情绪等的起伏共振影响，资产的预期收益、相关性都可能有较大的不同，也就是说，资产可能服从混合正态分布：??��??~?(??，∑?)?��其中??代表不同的状态（??=1,2,3…），??，∑?为不同的状态下资产的预期收益向量、协方差矩阵。例如，以沪深300指数为例，我们对其2017年、2018年两个阶段的日频收

8、益率序列进行检验，两个序列及均值、波动如下：图1：沪深3002017-2018年日收益率资料来源：Wind，申万宏源研究表1：沪深3002017-2018日收益特征及检验情况年份均值波动率均值相同t检验p值方差相同检验p值20170.08%0.64%0.040（