20210223-申万宏源-数说资产配置研究系列之三：机制转换视角下的资产配置，机器学习能否协助决策？.pdfVIP

权 益 量 化 研 究 2021 年 02 月 23 日 机制转换视角下的资产配置 ：机器 权 学习能否协助决策？ 益 量 化 ——数说资产配置研究系列之三 研 究 相关研究 本期投资提示： 证  机制转换模型适用基础：资产背后存在不可直接观测的“隐藏状态”。不同隐藏状态下资 券 产的收益特征不同，例如 2018 年 A 股的波动明显高于 2017 年、收益低于 2017 年 ，如 研 究 果能识别到隐藏状态，则可以通过隐藏状态下不同的资产表现特征来指导配置决策。 证券分析师 报 邓虎 A0230520070003  单资产的“拐点”识别：灵敏度较低，前瞻性不足。经过针对 A 股指数的测试，模型能对 告 denghu@ 历史状态有较好的拟合，能够将 2015-2016 年的大级别波动与其他时段进行区分，也能 研究支持 区别2017、2018 年的市场状态，但模型的“前瞻性”不足 ：在资产运行中仅能区分差异 沈思逸 A0230120080004 shensy@ 非常大的状态间的转换 ，较难识别当下可能迅速发生的变化，模型用于复盘相对更合适。 联系人 沈思逸  多资产的隐藏状态转换：提示转换可能，选资产能力优于动量。在多资产配置、行业配置 (86217458 层面，存在隐藏状态的可能性较高 ，通过判断当前所处的隐藏状态与哪些历史时段类似， shensy@ 模型可帮助选择相似的历史时段下表现较好的资产进行配置，同时也可提示当前状态与前 期出现变化的可能性大小，模型的选择效果强于动量的选择效果。  宏观状态转换识别：拟合能力优于预测能力，多变量识别可解释性差。机制转换模型的另 一大使用领域是在宏观数据上——单一宏观变量状态的识别和多宏观变量隐藏状态的判 断。单一变量上 ，模型的拟合作用远大于预测效果；而在多变量的判断中，虽然模型相比 于时钟可以纳入更多变量，但模型的可解释性、稳定性都较差，根据测试，基于我国宏观 数据的识别整体效果不佳。  机器学习在资产配置中的使用：可观测的基本面逻辑配合隐藏的非线性信息。从机制转换 模型的案例来看，非线性的建模识别方法在应对价格数据上具备优势，而在应对逻辑性较 强的宏观数据上，预测的可解释性、稳定性都随着模型复杂程度的提升而大大减弱 ，我们 将《重塑资产配置“时钟”：经济预期与宏观流动性》中的时钟观点与机制转换对资产收 益的观点结合，组合收益有所提升。因此在未来的使用中，当资产数量较多、可能的隐藏 信息较多、基本面情况难以掌握时，机器学习方法可以提升效率、帮助捕捉非线性信息， 从而与定性、逻辑更直接的分析结合使用。  风险提示：模型根据历史数据构建，历史表现不代表未来，市场环境发生巨大变化时模型 可能失效。 1 请务必仔细阅读正文之后的各项信息披露与声明