[논문 리뷰] Dynamic Asset Allocation with Asset-Specific Regime Forecasts

Yizhan Shu, Chenyu Yu외 1명|arXiv (Cornell University)|2024. 06. 13.

Banking stability, regulation, efficiency인용 수 5

한 줄 요약

본 논문은 각 자산에 대해 비지도 통계적 점프 모델(JM)을 이용해 리짐을 라벨링하고, 이어서 감독 예측 및 Markowitz 최적화를 통해 다중 자산 배분을 개선하는 자산별 리짐 예측 프레임워크를 제시한다.

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.

연구 동기 및 목표

• 광범위한 경제 리짐이 아닌 자산별 시장 리짐을 활용하여 1단계 예측의 개선을 도모한다.
• 실시간으로 활용 가능한 리짐 예측을 산출하기 위해 식별과 예측의 두 단계 프레임워크를 개발한다.
• 리짐 예측을 표준 포트폴리오 최적화 모델(최소분산, 평균-분산, 동등가중)로 통합한다.
• 주식, 채권, 부동산, 상품 등 다양한 자산 범주에서 강건성 및 초과성과를 보인다.

제안 방법

• 비지도 통계적 점프 모델(JM)을 적용해 각 자산의 과거 기간을 상승장 또는 하락장 리짐으로 분류한다.
• 지수 평활을 사용해 자산 수익의 여덟 가지 특징을 추출하고, 점프 페널티 lambda로 지속성과 신호대잡음비를 제어하는 두 가지 리짐 JM을 계산한다.
• 식별된 리짐 라벨을 하나의 영(1)일 앞으로 이동시켜 감독 분류기의 타깃으로 사용한다.
• 확장된 특징 세트를 사용해 다음 기간의 리짐을 예측하기 위해 그래디언트 부스팅 의사 결정 트리(XGBoost)를 훈련시킨다.
• 리짐 예측을 Markowitz 평균-분산 최적화에 통합해 자산 우주 전반의 동적 자산 배분 가중치를 결정한다.
• 거래 비용(one-way 5 basis points)을 포함한 샘플 밖 테스트를 통해 성과를 평가한다. 세 가지 포트폴리오 모델(MinVar, MV, EW)에서.

실험 결과

연구 질문

• RQ1 자산별 리짐 예측이 다중 자산 할당에서 광범위한 경제 리짐을 넘어 예측 신호를 개선할 수 있는가?
• RQ2 비지도 리짐 식별과 감독 예측의 결합이 각 자산에 대해 더 지속적이고 실행 가능한 리짐 신호를 생성하는가?
• RQ3 리짐 정보가 반영된 배분이 현실적인 거래 비용 하에서 다변화된 자산 범위에서 기존 포트폴리오 모델을 능가하는가?
• RQ4 최적 점프 페널티가 자산 간 리짐 신호 품질과 이후 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 자산별로 생성된 리짐 예측은 고유한 시장 역학을 포착하고 이후 최적화를 위한 예측 신호를 개선한다.
• 이 프레임워크는 1991–2023년의 12개 자산에 대한 실증 연구에서 최소분산, 평균-분산, 동등가중 포트폴리오 전반에서 초과성과를 낳는다.
• 현실적인 거래 비용과 주식, 채권, 부동산, 상품을 포함한 다양한 자산 계층에서 초과성과가 지속된다.
• 자산별 리짐 예측은 모든 자산에 대해 단일 시장 리짐 서사에 과도하게 의존하지 않음으로써 강건성을 제공한다.