周期理论与机器学习资产收益预测 华泰证券_20180529_
由small_q创建，最终由small_q 被浏览 24 用户
摘要
基于资产周期状态与市场表现的关系规律，采用机器学习挖掘预测逻辑本文首先介绍美林时钟等宏观择时模型，分析其根据经济周期状态的划分进行资产配置的原理，同时指出其应用于中国等新兴市场投资时遇到的挑战。其次，简要回顾华泰金工周期系列研究基于市场统一周期规律提出的周期三因子资产定价模型，以及机器学习挖掘市场规律的原理。最后，采 用机器学习的方法发现资产所处的周期状态与其未来市场表现的内在逻辑，实现对资产收益排序的概率预测，并通过对全球市场和中国市场的实证研究，证明该方法对指导资产配置的有效性。 市场周期运动的主导特征是基于资产周期状态预测其未来表现的基础美林时钟模型为宏观择时到资产配置的投资实践提供了较为清晰的思路和扎实的理论依据，具有启发意义。但美林投资时钟模型并不是一个实时、定量的交易策略，其有效与否的关键在于对经济周期状态的判断是否正确。 华泰金工周期系列研究通过傅里叶变换、联合谱估计等信号处理方法，发现并证实了市场中广泛存在 42 个月、100 个月和 200 个月左右的共同周期。以此为基础，提出了华泰量化投资时钟“周期三因子定价与资产配置模型”。通过计算金融资产同比序列与其周期三因子的回归拟合值、拟合值的增加值等，实现对资产周期状态比较精确且全面的测度。 机器学习能有效挖掘资产周期状态与未来表现间的内在逻辑资产收益率分布的不对称性或导致对资产短期收益表现的确定性预测结果出现与实际的偏差，概率结果比确定性结果常常更为有效。同比序列受短期噪声影响小，适合作为周期状态“特征变量”的计算基础。机器学习模型能以概率方法建立起资产同比周期状态与未来表现间的非线性联系，并给出收益排序的概率预测；仿真测试证明本文机器学习模型对挖掘上述联系的有效性。此外，为避免模型对参数选择的敏感性，本文引入了集成学习法，计算多种可行参数组合的预测结果，采用“少数服从多数”的原则，平均后确定最终结果，降低模型对参数依赖，更全面有效的利用历史规律。 实证结果证明周期理论与机器学习的研究方法具有不同市场的普适性基于周期理论和机器学习方法预测结果的资产配置实证显示，策略应用于全球和中国市场均有较好表现。与基准的等权配置模型相比，基于周期理论和机器学习方法的策略在年化收益、最大回撤等风险收益指标均有明显提升，充分证明了机器学习能够挖掘市场周期规律并实现更加有效的预测。由于市 场周期规律的普遍存在，机器学习挖掘投资规律的方法也具有普适性。本文方法应用于全球股债资产配置，在 2004 年 1 月至 2018 年 3 月的样本区间集成学习综合各种参数集的预测结果，取得年化 20.5%，最大回撤 14.1%，夏普比 1.36 的表现；应用于中国大类资产配置的表现也明显好于基准。 风险提示：本文基于华泰金工周期系列研究对全球各类经济金融指标长达近百年样本的实证检验结果，确定周期长度。然而市场存在短期波动与政策冲击，就每轮周期而言，暂无法判断具体长度。周期长度只是估计值，可能存在偏差；历史规律存在失效风险。
正文
/wiki/static/upload/b8/b8ae845d-c83a-4f91-8c15-ddb4ec23684f.pdf
\