[论文解读] Returns-Driven Macro Regimes and Characteristic Lead-Lag Behaviour between Asset Classes

Deborah Miori, Mihai Cucuringu|arXiv (Cornell University)|Sep 1, 2022

Complex Systems and Time Series Analysis被引用 4

一句话总结

本文提出一种数据驱动框架，通过资产类别收益相关性的聚类识别宏观经济状态，再利用格兰杰因果关系揭示各状态下的领先-滞后关系。研究发现，不同状态下的领先与滞后资产类别存在显著差异，基于这些聚类构建的投资组合在危机时期（如全球金融危机）尤其能获得更优的风险调整收益。

ABSTRACT

We define data-driven macroeconomic regimes by clustering the relative performance in time of indices belonging to different asset classes. We then investigate lead-lag relationships within the regimes identified. Our study unravels market features characteristic of different windows in time and leverages on this knowledge to highlight market trends or risks that can be informative with respect to recurrent market developments. The framework developed also lays the foundations for multiple possible extensions.

研究动机与目标

• 开发一种基于多资产类别间时变相关性的数据驱动方法，用于识别宏观经济状态。
• 通过收益中的领先-滞后关系，识别各状态下的领先与滞后资产类别，以表征每种状态。
• 评估基于状态特定领先-滞后聚类的投资策略的盈利能力。
• 为基于可观测收益动态的动态资产配置及风险偏好切换提供基础。
• 支持框架的样本外测试与未来市场状态预测的扩展。

提出的方法

• 基于231只日频与月频资产指数之间的收益相关性矩阵（皮尔逊、斯皮尔曼、肯德尔）的相似性，对时间窗口进行聚类。
• 使用约2年滑动窗口（l/N ≈ 2）计算相关性矩阵，并识别持久的市场状态。
• 在每种状态下应用格兰杰因果检验，检测不同滞后阶数下资产收益之间的领先-滞后关系。
• 选取显著格兰杰关系数量最多的滞后阶数（p < 0.05）作为该状态的特征领先-滞后延迟。
• 采用赫米特ian谱聚类，k=5且β=10，将资产在每种状态下划分为领先与滞后群体。
• 将投资于最领先与最滞后聚类的组合收益，与所有指数的基准组合进行比较。

实验结果

研究问题

• RQ1 能否通过多样化资产类别间收益相关性的数据驱动聚类，可靠地识别宏观经济状态？
• RQ2 在识别出的宏观状态下，资产类别之间是否会出现显著的领先-滞后关系？
• RQ3 领先与滞后资产类别的构成在不同宏观状态下如何变化？
• RQ4 基于状态特定领先-滞后聚类的投资策略是否能相对于基准获得异常的风险调整收益？
• RQ5 在每种状态下，检测显著领先-滞后动态的最优滞后阶数是什么？

主要发现

• 全球金融危机（状态0）的特点是美国股票与波动率作为领先资产，欧洲利率为滞后资产，领先-滞后延迟为10天。
• 与货币政策紧缩拐点相关的状态5表现出异常长的领先-滞后延迟（42个交易日），表明市场存在长期错配。
• 基于领先与滞后聚类的投资组合在7种状态中的6种优于基准，其中状态0的超额收益最高，达4%（5% vs. 1%）。
• 在状态3与6中，货币资产成为领先资产，凸显其在风险偏好切换中的作用。
• v-measure分析确认k=5为聚类的最优选择，在各状态间兼顾完整性和可解释性。
• 该框架在危机状态下表现出持续超额收益，表明其在动态风险管理和状态择时方面的价值。