人工智能市场前景及投资研究报告：cGAN应用于资产配置.pdf

证券研究报告 金工 人工智能45 ：cGAN 应用于资产配置 华泰研究 2021 年4 月19 日│中国内地 深度研究 人工智能系列45 ：将条件生成对抗网络cGAN 应用于大类资产配置 本文将生成对抗网络（GAN）的使用场景拓展至投资实践，采用GAN 的变 式条件生成对抗网络（cGAN）预测未来 20 个交易日各类资产收益率协方 差矩阵，并应用于量化资产配置。cGAN 的核心思想是将随机数和资产收益 率真实历史序列结合，训练条件生成器生成模拟未来序列，再训练条件判别 器区分模拟和真实未来序列。重复生成多次进而得到多资产预期收益率协方 差矩阵。对沪深300、中债- 国债总财富指数、黄金9999 三类资产进行资产 配置策略实证，自2012 年初至2021 年3 月底，cGAN 相比于传统风险平 价模型夏普比率从 1.41 提升至 1.62，Calmar 比率从0.60 提升至 1.19。 cGAN 从贝叶斯学派视角重新定义风险，克服了传统方法的不足 cGAN 与传统风险平价方法回测结果 资产协方差矩阵是开展风险管理的基础。传统方法基于历史收益率序列计算 1.8 累积超额收益率（右轴） 40% 资产协方差矩阵。其基本思想是适应性预期。然而，历史通常不等于未来。 1.6 cGAN （左轴） 30% 传统方法（左轴） 其次，传统方法估计的资产协方差矩阵通常只包含历史序列中的线性成分， 1.4 20% 而丢弃了其中蕴含的非线性信息，导致评估结果与真实情况发生偏差。针对 传统方法的不足，本文使用cGAN 从贝叶斯学派视角重新定义风险。cGAN 1.2 10% 基于市场未来隐状态和过去一段时间内的市场规律，预测未来一段时间的收 1.0 0% 益率后验分布，并根据收益率后验分布计算资产协方差矩阵。 0.8 -10% 4 4 4 4 4 4 4 4 4 4 0 0 0 0 0 0 0 0 0 0 - - - - - - - - - - 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 条件生成器借鉴自编码器结构，充分利用条件序列蕴含的有效信息 2- 3- 4- 5- 6- 7- 8- 9- 0- 1- 1 1 1 1 1 1 1 1 2 2 条件生成器借鉴了自编码器的结构，旨在根据条件序列生成预测序列。其中， 0 0 0 0 0 0 0 0 0 0 2 2 2 2