[論文レビュー] Dynamic Asset Allocation with Asset-Specific Regime Forecasts

Yizhan Shu, Chenyu Yu+1 more|arXiv (Cornell University)|Jun 13, 2024

Banking stability, regulation, efficiency被引用数 5

ひとこと要約

本論文は、資産ごとにレジームをラベル付けする教師なし統計的ジャンプモデルを用いて各資産のレジームを識別し、その後、教師あり予測とMarkowitz最適化を組み合わせて、マルチ資産配分を改善する資産特化レジーム予測フレームワークを導入します。

ABSTRACT

This article introduces a novel hybrid regime identification-forecasting framework designed to enhance multi-asset portfolio construction by integrating asset-specific regime forecasts. Unlike traditional approaches that focus on broad economic regimes affecting the entire asset universe, our framework leverages both unsupervised and supervised learning to generate tailored regime forecasts for individual assets. Initially, we use the statistical jump model, a robust unsupervised regime identification model, to derive regime labels for historical periods, classifying them into bullish or bearish states based on features extracted from an asset return series. Following this, a supervised gradient-boosted decision tree classifier is trained to predict these regimes using a combination of asset-specific return features and cross-asset macro-features. We apply this framework individually to each asset in our universe. Subsequently, return and risk forecasts which incorporate these regime predictions are input into Markowitz mean-variance optimization to determine optimal asset allocation weights. We demonstrate the efficacy of our approach through an empirical study on a multi-asset portfolio comprising twelve risky assets, including global equity, bond, real estate, and commodity indexes spanning from 1991 to 2023. The results consistently show outperformance across various portfolio models, including minimum-variance, mean-variance, and naive-diversified portfolios, highlighting the advantages of integrating asset-specific regime forecasts into dynamic asset allocation.

研究の動機と目的

• 資産特化の市場レジームを活用して第一段 forecasting の改善を Motivate する。
• 識別と予測の二段階レジームフレームワークを開発し、ライブ対応のレジーム予測を作成する。
• レジーム予測を標準的なポートフォリオ最適化モデル（最小分散、平均分散、等分配）に統合する。
• 株式、債券、不動産、コモディティを含む多様な資産 universe でのロバスト性とアウトパフォーマンスを実証する。

提案手法

• 各資産ごとに歴史的期間を分類する教師なし統計的ジャンプモデル（JM）を適用し、強気 regime と弱気 regime に分類する。
• 指数平滑化を用いて8つの資産リターン特徴を抽出し、ジャンプペナルティ lambda を用いて持続性と signal-to-noise 比を制御した2レジームJMを計算する。
• 識別されたレジームラベルを1日前方へシフトして、教師あり分類器のターゲットとする。
• 拡張した特徴セットを用いて Next-period レジームを予測する勾配ブースティング決定木（XGBoost）を訓練する。
• レジーム予測をMarkowitz平均-分散最適化に組み込み、資産 universe 全体のダイナミックな資産配分ウェイトを決定する。
• 取引コスト（片道5ベーシスポイント）を含むアウト・オブ・サンプル検証を通じて、3つのポートフォリオモデル（MinVar、MV、EW）でのパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 資産特化レジーム予測は、マルチ資産配分のための予測信号を広域の経済レジームよりも改善できるのか。
• RQ2 教師なしのレジーム同定と教師あり予測を組み合わせると、各資産に対してより持続的で実際的なレジーム信号が得られるのか。
• RQ3 レジームに基づく配分は、現実的な取引コストの下で、多様な資産 universe に対して従来のポートフォリオモデルを上回るのか。
• RQ4 最適なジャンプペナルティは、資産間のレジーム信号品質とその後の forecast 精度にどのように影響を与えるのか。

主な発見

• レジーム予測は資産ごとに異なる市場ダイナミクスを捉え、後続の最適化の予測信号を改善する。
• フレームワークは、1991–2023の12資産を対象とした実証研究で、最小分散、平均分散、等分散ポートフォリオのいずれにおいてもアウトパフォーマンスを示す。
• 現実的な取引コストおよび株式、債券、不動産、コモディティを含む多様な資産クラスの下でもアウトパフォーマンスが持続する。
• 資産特化のレジーム予測は、すべての資産に対して単一の市場レジーム伝説に過度に依存することを回避することで、ロバスト性を提供する。