“学海拾珠”系列之二百零二：基于特征显著性隐马尔可夫模型的动态资产配置.docx

正文目录

引言 4

相关文献 5

理论背景 6

隐马尔可夫模型（HMMS） 6

FSHMM 7

SMARTBETA投资 8

数据 9

动态资产配置系统 11

DAA系统 11

模型选择 12

系统校准 14

具有特征显著性的DAA系统：FS-DAA 15

结果及分析 16

交易策略和基准 16

DAA系统与基线策略的比较 17

基于因子隐马尔可夫模型（FSHMM）的动态资产配置（DAA）系统 19

基于MSCI指数的动态资产配置-特征选择系统 21

结论和未来展望 23

风险提示： 24

图表目录

图表1文章框架 4

图表2隐马尔可夫模型 7

图表3特征显著性隐马尔可夫模型 8

图表4用于构建机制转换框架的代表性因子指数 10

图表5数据集描述 10

图表6MSCI美国增强因子的累计超额收益 11

图表7动态资产配置系统示图 12

图表8数据方案 12

图表9不同状态数量下的BIC分数的箱线图 13

图表10SMARTBETA投资策略中动态资产配置系统校准 14

图表111260个投资组合中的一个子集 15

图表12嵌入特征选择的DAA系统在SMARTBETA投资中的校准和使用完整示意图 16

图表13索提诺比率（SORTINORATIO）箱线图。 17

图表14年化收益率与年化波动率关系图和索提诺比率分布图 18

图表15使用隐马尔可夫模型（HMMS）构建的投资组合及其基准的平均表现 19

图表16针对不同的K值选择的特征图 20

图表17相关特征训练的模型的预测状态和状态概率图 20

图表18使用具有特征显著性的隐马尔可夫模型的信息构建的投资组合图 22

图表19使用因子隐马尔可夫模型（FSHMM）构建的投资组合的绩效指标图 23

引言

图表1文章框架

资料来源：

“Smartbeta”是一个相对较新的术语，近几年来在资产管理领域变得无处不在。Smartbeta背后的金融理论被称为因子投资，自20世纪60年代便已存在，当时人们首次发现因子是股票回报的驱动因素（Agather和Gunthorp，2017）。这些因子回报可能是风险的来源，也可能是提高回报的途径，因此，了解任何额外风险是否能够通过更高的回报得到充分补偿非常重要（Ang，2014）。

主动管理型基金经理通过根据股票的因子暴露来选择股票，可以构建具有特定因子暴露的投资组合，从而利用因子投资来提高投资组合回报或降低风险，具体取决于他们的特定目标。Smartbeta旨在通过采用透明、系统化、基于规则的方法，以较低的成本实现这些目标，与主动管理相比，这种方法能够显著降低成本（Asness，2016）。

尽管长期来看，smartbeta策略表现强劲，但它们往往会在周期波动中经历严重的短期回撤（峰值至谷底的下跌）（Arnott等人，2016）。这些波动可能源于极端宏观经济状况、波动率上升、多个市场之间的相关性增强，以及货币和财政政策响应的不确定性。在本文中，作者通过构建使用隐马尔可夫模型（HiddenMarkovModels，HMMs）的区制转换模型来解决这一问题。隐马尔可夫模型已成为时间序列数据建模的主流技术之一（Baum等人，1970；Rabiner，1989），并广泛应用于语音识别、文本分类和医疗应用等多个领域。作者首先研究如何使用区制转换框架来检测各因子之间的区制，以及这样做是否能为smartbeta策略提供增量。在资产配置的区制转换框架中，普遍的做法是预先指定一个依赖于预测状态的静态决策规

则（Nystrup等人，2017a）。另一种方法是利用推断出的区制参数信息动态优化投资组合。作者遵循第二种方法，利用区制信息构建不同类型的投资组合（更注重收益和更注重风险）。第一步，作者建立一个动态资产配置（DynamicAssetAllocation，DAA）系统，通过区制转换模型构建投资组合，并使用与投资组合分配相同的因子训练HMM，从而对数百种因子组合进行系统分析。作者的研究表明，使用HMM的区制信息比单一区制分配的表现更好，作者发现更注重收益的投资组合的风险调整后收益优于其基准，而更注重风险的投资组合的表现也有所改善。最后，金融领域大多数关于区制转换模型的研究的共同点是，它们要么考虑单个资产，要么考虑一小组资产来构建模型，而资产的选择标准通常来自经验。这是因为HMM的无监督特征选择非常有限，包装方法计算成本高，或者针对HMM的方法很少（AdamsBeling，2017）。在大多数H