基于网络和机器学习的因子、资产和混合配置分析报告.pdf

[Table_StockNameRptType]

金融工程

专题报告

基于网络和机器学习的因子、资产和混合配置

——“学海拾珠”系列之一百八十二

[Table_RptDate]

报告日期：2024-03-14主要观点：

[Table_Summary]

本篇是“学海拾珠”系列第一百八十二篇，作者利用传统和替代配置

技术对因子和资产配置组合进行研究和比较。首先，作者从理论层面介

绍关联网络和有向网络，并与投资组合管理相结合；其次，应用图论和

网络分析研究资产和因子之间的关系；此外，作者展示各配置技术在纯

因子、纯资产和混合配置中的实证结果；最后，运用LASSO和交叉验

证来研究策略的风险敞口和找到最优配置方案。

回到国内市场，资产和因子配置领域尚有较大的研究空间，机器学

习和网络技术不失为一个良好的切入角度，值得探索。

⚫资产和因子之间存在较强的相互关联性

网络结果很容易解释资产和因子之间的相互联系；网络中每个集群

都包含一个价值因子和动量因子，与其他因子和资产相连。对于专业投

资者来说，用预测资产和因子之间联系的预测模型将有助于解决风险与

配置问题。

⚫包含因子和资产的混合配置可获得最大的收益

相关报告各策略的实证结果表明，资产配置使用有向网络更好，并由显著的

中心性得分的美国国债和货币收益驱动；而因子配置使用关联网络和逆

1.《股息收益率、股息增长率和回报

方差效果更好，可产生有利的风险收益参数，主要有FFC因子的重要性

可预测性——“学海拾珠”系列之一百

八十一》得分所驱动。混合配置的实证结果发现因子在投资组合中重要性的信

2.《基金投资者能否从波动率管理中息，即更建议投资者考虑混合配置策略。

获益？——“学海拾珠”系列之一百八

十》⚫在投资组合管理中运用机器学习有助于帮助投资者找到配置方案

3.《如何使用强化学习优化动态资产运用LASSO对因子和资产具有明显的收缩作用和显著的截距，突

配置？——“学海拾珠”系列之一百七出了特征选择的重要性和分散性，获得了更稳健的资产配置；后进行交

十九》叉验证，根据MSE选择最佳的模型，帮助投资者理解模型价值，找到最

4.《高成交量回报溢价与经济基本面优配置方案。

——“学海拾珠”系列之一百七十八》

5.《基金经理技能之卖出能力的重要⚫风险提示

性——“学海拾珠”系列之一百七十文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

七》

6.《美元beta与股票回报——“学海

拾珠”系列之一百七十六》

7.《基于残差因子分布预测的投资组

合优化——“学海拾珠”系列之一百七

十五》

8.《历史持仓回报会影响基金经理后

续选股吗？——“学