再探cGAN资产配置.pdfVIP

金工研究 研究导读 传统生成对抗网络 （GAN）精于模拟，拙于预测。然而投资人对量化模型的期待更多仍是 预测未来。研究者将条件信息引入 GAN ，将生成对抗网络改造成条件生成对抗网络 （conditional GAN，简称cGAN），从而实现给定条件下的生成。量化研究中，我们将历史 数据视作条件信息，引导cGAN 模型生成未来数据，从而实现通过历史预测未来。 在华泰金工往期研究《人工智能 45 ：cGAN 应用于资产配置》（2021-04-19）、《人工智能 47 ：cGAN 模拟宏观指标》（2021-08-04）、《人工智能48 ：对抗过拟合：cGAN 应用于策略 调参》（2021-10-12）中，我们已借助cGAN 模型分别实现量化资产配置、宏观经济前瞻、 量化择时策略调参等实践应用。我们认为，cGAN 不是坐而论道的工具，而是切实产生超额 收益的来源。 在《人工智能45 ：cGAN 应用于资产配置》中，我们详细介绍了如何借助cGAN 预测资产 预期收益协方差矩阵，并应用于量化资产配置策略，结果表明cGAN 相比传统历史波动率 方法具有显著优势。作为前沿技术的初次尝试，前序研究仍有未尽之处，本研究我们将对 cGAN 应用于资产配置的方法论进行充实和优化，并提供更为全面的实证测试结果，以论证 该方法的优势和稳健性。 前序研究回顾 前序研究中，cGAN 预测资产协方差矩阵的核心思想是：以多资产过去40 个交易日收益率 序列作为条件信息，结合随机数序列，引导cGAN 模型生成多资产未来20 个交易日收益率 序列，计算20 日区间收益率。由于随机数的存在，每次生成结果存在差异。基于 1000 次 生成结果计算协方差矩阵。 cGAN 对协方差矩阵的定义方式与传统历史波动率有本质差异。历史波动率方法将历史上 不同时段的收益率视作真实收益率分布的采样，以采样的协方差衡量未来风险，前提假设 是历史等同于未来。cGAN 方法基于历史收益率模拟未来收益率的可能路径，将不同模拟结 果视作未来真实收益率分布的采样，以采样的协方差衡量未来风险。由于 cGAN 模型通常 为复杂的非线性神经网络，cGAN 的前提假设是历史可以通过非线性的方式预测未来。比较 而言，cGAN 相比于传统方法更符合真实市场运行规律。 图表1： cGAN 预测资产收益协方差原始方法 资料来源：华泰研究 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 4 金工研究 cGAN 中随机数的引入是模型刻画市场未来风险的关键。我们认为，市场未来表现本质上 取决于两方面因素：市场历史表现（似然信息）和市场在未来隐空间中的状态（先验信息）。 隐空间的概念较为抽象，政策面、基本面、资金面、技术面、消息面等等都可能是隐空间 的具象化表征。这些“面”通常难以确定性地预测，但如果我们对隐空间进行随机采样， 相当于对市场未来可能出现的状态进行遍历式的演绎，那么反复多次演绎后的结果就蕴含 了市场未来的风险信息。 cGAN 模型由条件判别器（cD）和条件生成器（cG）两个相互博弈的网络