[论文解读] Explainable Regime Aware Investing

Amine Boukardagha|arXiv (Cornell University)|Feb 21, 2026

Stock Market Forecasting Methods被引用 0

一句话总结

论文提出一个严格因果的 Wasserstein 隐马尔可夫模型（Wasserstein HMM），用于推断状态动态并将其嵌入到考虑交易成本的均值-方差优化中，在风险调整绩效和回撤方面优于基准。

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.

研究动机与目标

• 推动基于状态的投资以应对日常投资组合配置中的非平稳性。
• 开发一个严格因果的 Wasserstein HMM，具备自适应模型阶数以进行状态推断。
• 引入 Wasserstein 模板跟踪以在时间上保持状态身份。
• 将状态概率整合到考虑交易成本的均值-方差优化框架中。
• 在被动基准和非参数基线上评估表现，以 isolating 状态推断的经济作用。

提出的方法

• 使用严格因果的滚动高斯 HMM，设 expanding 窗口并以单步预测对数似然进行动态模型阶数选择。
• 通过 2-Wasserstein 距离将 HMM 组件映射到持久的状态模板以保持状态身份。
• 将模板概率聚合形成混合矩（均值与协方差）用于优化。
• 求解带有换手惩罚和权重约束的交易成本感知型均值-方差优化。
• 在相同特征与优化层的前提下，将参数化 Wasserstein HMM 与非参数 KNN 基线进行基准对比。

实验结果

研究问题

• RQ1 在日滚动设定下，参数化的 Wasserstein HMM 是否比非参数基线提供更稳定的状态识别？
• RQ2 自适应状态复杂度控制如何影响日度跨资产配置的换手与回撤？
• RQ3 市场压力期中基于状态的配置的经济影响是什么？
• RQ4 基于 Wasserstein 的状态身份是否提升投资组合权重随时间的可解释性与稳定性？

主要发现

• 参数化状态投资在样本外夏普比率更高（2.18）Compared to equal-weight 1.59 与 SPX Buy & Hold 1.18。
• 最大回撤对参数方法显著较小（-5.43%）相比 SPX（-14.62%）。
• 在 Liberation Day 期间，该策略降低了股票敞口并转向防御性资产，缓解了损失。
• 与 KNN 相比，Wasserstein HMM 方法换手显著更低、权重演化更平滑。
• 通过 Wasserstein 模板保持的状态身份稳定性是一阶决定投资组合回撤和实施鲁棒性的关键因素。