[논문 리뷰] Explainable Regime Aware Investing

Amine Boukardagha|arXiv (Cornell University)|2026. 02. 21.

Stock Market Forecasting Methods인용 수 0

한 줄 요약

본 논문은 거래비용 인식형 평균-분산 최적화에 내재된 Wasserstein HMM을 통해 레짐 다 dynamics를 추정하고 이를 거래비용 인식 평균-분산 최적화에 내재화하여 벤치마크 대비 더 높은 위험조정 성과와 더 낮은 최대 손실을 달성한다.

ABSTRACT

We propose an explainable regime-aware portfolio construction framework based on a strictly causal Wasserstein Hidden Markov Model. The model combines rolling Gaussian HMM inference with predictive model-order selection and template-based identity tracking using the 2-Wasserstein distance between Gaussian components. This allows regime complexity to adapt dynamically while preserving stable economic interpretation. Regime probabilities are embedded into a transaction-cost-aware mean-variance optimization framework and evaluated on a diversified daily cross-asset universe. Relative to equal-weight and SPX buy-and-hold benchmarks, the Wasserstein HMM achieves materially higher risk-adjusted performance with Sharpe ratios of 2.18 versus 1.59 and 1.18 and substantially lower maximum drawdown of negative 5.43 percent versus negative 14.62 percent for SPX. During the early 2025 equity selloff labeled Liberation Day, the strategy dynamically reduced equity exposure and shifted toward defensive assets, mitigating peak-to-trough losses. Compared to a nonparametric KNN conditional-moment estimator using the same features and optimization layer, the parametric regime model produces materially lower turnover and smoother weight evolution. The results demonstrate that regime inference stability, particularly identity preservation and adaptive complexity control, is a first-order determinant of portfolio drawdown and implementation robustness in daily asset allocation.

연구 동기 및 목표

• 일일 포트폴리오 할당의 비정상성을 해결하기 위한 레짐 인식 투자를 고무한다.
• 레짐 추정을 위한 adaptive 모델 차수 선택이 가능한 엄격하게 인과적인 Wasserstein HMM을 개발한다.
• 시간에 걸쳐 레짐 정체성을 보존하기 위한 Wasserstein 템플릿 추적을 도입한다.
• 레짐 확률을 거래비용 인식 평균-분산 최적화 프레임워크에 통합한다.
• 수동 벤치마크와 비모수 기준선과의 비교를 통해 레짐 추론의 경제적 역할을 고립해 평가한다.

제안 방법

• 확장 창을 갖는 엄격하게 인과적인 롤링 가우시안 HMM을 사용하고, 한 단계 앞 예측 로그가능도를 이용해 동적 모델 차수 선택을 한다.
• 2-워터스타인 거리를 이용해 HMM 구성요소를 지속적인 레짐 템플릿에 매핑하여 레짐 정체성을 보존한다.
• 템플릿 확률을 모아 최적화를 위한 혼합 모멘트(평균 및 공분산)를 형성한다.
• 턴오버 페널티와 가중치 제약을 포함하는 거래비용 인식 평균-분산 최적화를 해결한다.
• 동일한 특징과 최적화 계층을 사용하여 매개적 Wasserstein HMM 접근법을 비파라메트릭 KNN 기준선과 비교 벤치마크한다.

실험 결과

연구 질문

• RQ1 일일 롤링 설정에서 매개적 Wasserstein HMM이 비매개 기초 방법보다 더 안정적인 레짐 식별을 제공하는가?
• RQ2 적응형 레짐 복잡도 제어가 일일 교차자산 할당에서 턴오버와 낙폭에 어떤 영향을 미치는가?
• RQ3 시장 스트레스 기간 동안 레짐 조건부 배분의 경제적 영향은 무엇인가?
• RQ4 Wasserstein 기반의 레짐 정체성이 시간이 지남에 따른 포트폴리오 가중치의 해석가능성 및 안정성을 향상시키는가?

주요 결과

• 매개적 레짐 투자는 외생적 샤프 비율이 2.18로 등가중치 포트폴리오의 1.59 및 SPX Buy & Hold의 1.18보다 높다.
• 최대 낙폭은 매개적 접근이 SPX의 -14.62%에 비해 -5.43%로 현저히 작다.
• Liberation Day 동안 전략은 주식 노출을 축소하고 방어 자산으로의 비중을 옮겨 손실을 완화했다.
• KNN과 비교했을 때, Wasserstein HMM 접근은 턴오버를 훨씬 낮추고 가중치 변화가 더 부드럽다.
• Wasserstein 템플릿을 통한 레짐 정체성의 안정성은 포트폴리오 낙폭과 실행 강건성의 1차 결정인자이다.