[论文解读] 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 5

一句话总结

本文引入一种针对资产的状态预测框架，该框架使用无监督统计跳跃模型来为每个资产标注状态，然后进行监督预测和马科维茨优化，以改善多资产配置。

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.

研究动机与目标

• 通过利用资产特定的市场状态来提升第一阶段预测，而非依赖广泛的经济状态，从而推动改进。
• 开发一个两步状态框架（识别然后预测），以产生可用于实时的状态预测。
• 将状态预测整合入标准投资组合优化模型（最小方差、均值-方差，以及等权重）。
• 在包括股票、固定收益、房地产和商品在内的多样化资产宇宙中，展示鲁棒性与超额收益。

提出的方法

• 对每个资产应用无监督统计跳跃模型（JM）将历史时期分类为多头/牛市或空头/熊市状态。
• 用指数平滑提取八个资产收益特征；计算带有跳跃惩罚项 lambda 的两状态 JM，以控制持续性和信噪比。
• 将识别出的状态标签向前移动一天，以作为监督分类器的目标。
• 训练梯度提升决策树（XGBoost）以利用扩展特征集预测下一个周期的状态。
• 将状态预测纳入马科斯均值-方差优化，以在资产宇宙中确定动态资产配置权重。
• 通过样本外测试评估性能，包括交易成本（单向 5 个基点），覆盖三种投资组合模型（MinVar、MV、EW）。

实验结果

研究问题

• RQ1 资产特定状态预测是否能在多资产配置中提升预测信号，超越广义经济状态？
• RQ2 将无监督状态识别与监督预测结合，是否能为每个资产带来更持久且可执行的状态信号？
• RQ3 在现实交易成本条件下，基于状态信息的配置是否优于传统投资组合模型，在多样化资产宇宙中？
• RQ4 最优跳跃惩罚如何影响各资产的状态信号质量及后续预测准确度？

主要发现

• 逐资产生成的状态预测捕捉到不同的市场动态，并为后续优化带来改进的预测信号。
• 在对1991–2023年十二资产的实证研究中，该框架在最小方差、均值-方差和等权重投资组合上实现超越。
• 在现实交易成本和多样化资产类别（包括股票、债券、房地产和商品）下，超额收益持久存在。
• 资产特定的状态预测通过避免对所有资产依赖单一市场状态叙述来提供鲁棒性。