20180529-华泰证券-华泰金工市场周期与资产配置研究_周期理论与机器学习资产收益预测_39页_2mb

文档总结

核心内容

本文探讨了基于市场周期状态与机器学习相结合的方法，用于资产收益预测与配置。研究指出，传统的宏观择时模型如美林时钟在应用于新兴市场时存在一定的局限性，而华泰金工提出的周期三因子模型结合信号处理技术，实现了对资产周期状态的定量测度。在此基础上，引入机器学习方法，尤其是Softmax模型和集成学习，进一步挖掘资产周期状态与未来表现之间的非线性关系，从而实现对资产收益排序的概率预测。

主要观点

• 市场周期状态是预测未来表现的基础：资产周期状态与未来收益率之间存在紧密联系，但并非简单的线性关系，需要通过机器学习挖掘其内在逻辑。
• 机器学习提升预测效果：相较于传统线性回归，机器学习方法（如Softmax模型）能够更准确地捕捉资产收益率分布的非对称性，提供更有效的概率预测。
• 周期三因子模型的适用性：华泰金工通过傅里叶变换和联合谱估计等方法，发现全球主要市场指标普遍具有42个月、100个月和200个月的周期特征，提出了周期三因子模型，具有全球适用性。
• 集成学习提升模型稳定性：通过Bagging方法对多个模型预测结果进行集成，降低对参数选择的依赖性，提高模型的稳健性与预测能力。
• 实证结果验证有效性：在全球市场和中国市场中，基于周期三因子与机器学习方法的资产配置策略均表现优于基准等权策略，且在不同市场中具有普适性。

关键信息

周期三因子模型

• 周期划分：42个月（基钦周期）、100个月（朱格拉周期）、200个月（库兹涅茨周期）。
• 模型优势：相比传统宏观择时模型，提供了定量判断的周期状态，且对全球主要资产指数具有较高的解释力，如：
  • 上证综指：R² = 0.624
  • 标普500：R² = 0.711
  • 中国总回报指数：R² = 0.760

机器学习方法

• 逻辑回归与Softmax模型：用于建立特征变量与资产收益类别之间的非线性关系。
• 特征变量选择：基于周期三因子模型计算的同比拟合值与同比增加值，包括当期、滞后1期至滞后8期，以及领先1期至领先6期。
• 集成学习：采用Bagging方法，通过“少数服从多数”原则对多个模型预测结果进行集成，提高预测的稳定性。

实证结果

• 全球市场：在2004年1月至2018年3月的样本区间，集成学习模型的年化收益率为 20.5%，最大回撤为 14.1%，夏普比为 1.36。
• 中国市场：在相同模型下，表现也优于基准等权策略。
• 概率预测优于确定性预测：资产收益率分布的不对称性导致确定性预测效果较差，概率预测结果更具实际应用价值。

风险提示

• 周期长度仅为估计值，可能存在偏差。
• 历史规律存在失效风险，市场短期波动与政策冲击可能影响预测准确性。
• 模型依赖历史数据，需警惕未来数据的不确定性。

方法论与步骤

1. 周期三因子模型：通过信号处理技术识别资产周期状态。
2. 特征变量构建：提取各期同比增加值与同比拟合值作为特征变量。
3. 机器学习建模：采用Softmax模型进行多元分类，输出资产未来收益的概率分布。
4. 集成学习优化：使用Bagging方法对多个模型预测结果进行平均，提高模型的稳定性。
5. 回测与评估：使用Top1Hit、Top2Hit和Top3Hit指标评估模型准确率。

总结

本文提出了一种融合周期理论与机器学习的资产配置方法，通过识别资产周期状态与未来收益之间的内在逻辑，实现了对资产收益排序的概率预测。实证表明，该方法在全球市场和中国市场中均表现出良好的效果，能够有效提升资产配置策略的风险收益比。同时，研究也指出，模型存在一定的风险与局限性，需谨慎使用并注意市场变化带来的影响。