周期理论和机器学习资产收益预测.PDFVIP

证券研究报告 金工研究/深度研究 2018 年05 月29 日 林晓明 执业证书编号：S0570516010001 周期理论与机器学习资产收益预测 研究员 0755 linxiaoming@ 华泰金工市场周期与资产配置研究 黄晓彬 执业证书编号：S0570516070001 研究员 0755 基于资产周期状态与市场表现的关系规律，采用机器学习挖掘预测逻辑 huangxiaobin@ 本文首先介绍美林时钟等宏观择时模型，分析其根据经济周期状态的划分 进行资产配置的原理，同时指出其应用于中国等新兴市场投资时遇到的挑 相关研究 战。其次，简要回顾华泰金工周期系列研究基于市场统一周期规律提出的 周期三因子资产定价模型，以及机器学习挖掘市场规律的原理。最后，采 1 《金工: 华泰单因子测试之财务质量因子》 用机器学习的方法发现资产所处的周期状态与其未来市场表现的内在逻 2018.05 辑，实现对资产收益排序的概率预测，并通过对全球市场和中国市场的实 2 《金工: 华泰单因子测试之资金流向因子》 证研究，证明该方法对指导资产配置的有效性。 2018.05 3 《金工: Smartbeta 在资产配置中的优势》 市场周期运动的主导特征是基于资产周期状态预测其未来表现的基础 2018.05 美林时钟模型为宏观择时到资产配置的投资实践提供了较为清晰的思路和 扎实的理论依据，具有启发意义。但美林投资时钟模型并不是一个实时、 定量的交易策略，其有效与否的关键在于对经济周期状态的判断是否正确。 华泰金工周期系列研究通过傅里叶变换、联合谱估计等信号处理方法，发 现并证实了市场中广泛存在 42 个月、100 个月和 200 个月左右的共同周 期。以此为基础，提出了华泰量化投资时钟“周期三因子定价与资产配置 模型”。通过计算金融资产同比序列与其周期三因子的回归拟合值、拟合值 的增加值等，实现对资产周期状态比较精确且全面的测度。 机器学习能有效挖掘资产周期状态与未来表现间的内在逻辑 资产收益率分布的不对称性或导致对资产短期收益表现的确定性预测结果 出现与实际的偏差，概率结果比确定性结果常常更为有效。同比序列受短 期噪声影响小，适合作为周期状态“特征变量”的计算基础。机器学习模 型能以概率方法建立起资产同比周期状态与未来表现间的非线性联系，并 给出收益排序的概率预测；仿真测试证明本文机器学习模型对挖掘上述联 系的有效性。此外，为避免模型对参数选择的敏感性，本文引入了集成学 习法，计算多种可行参数组合的预测结果，采用“少数服从多数”的原则， 平均后确定最终结果，降低模型对参数依赖，更全面有效的利用历史规律。 实证结果证明周期理论与机器学习的研究方法具有不同市场的普适性 基于周期理论和机器学习方法预测结果的资产配置实证显示，策略应用于全 球和中国市场均有较好表现。与基准的等权配置模型相比，基于周期理论和