机制转换视角下的资产配置，机器学习能否协助决策.docxVIP

目录 机制转换（Regime Switching）视角下的投资 5 资产收益分布：受内外因素影响而呈现混合分布形态 5 从可观测状态到隐藏状态 6 以 HMM 模型识别隐藏状态 8 “拐点”识别： 基于资产收益率的机制转换 10 单资产的“拐点”识别：灵敏度不足 10 多资产的隐藏状态转换 13 行业指数中的隐藏状态转换 17 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 20 单一宏观变量的隐藏状态识别 20 多变量的状态识别 21 宏观可观测状态与资产隐藏状态的组合使用 22 4. 小结 24 5. 风险提示 25 图表目录 图 1：沪深 300 2017-2018 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：VA R 假设下的多资产机制转换划分 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：CP I 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 300 2017-2018 日收益特征及检验情况 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：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，本报告中，我们将从理论、实践角度讨论基于隐马尔可夫模型（H MM）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。 机制转换（Regime Switching）视角下的投资 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