招商定量·琢璞系列 | 基于隐马尔可夫模型的全球资产配置

1、概况和数据来源

HMM策略通过学习各个资产类别ETF的收益数据来识别资产隐含状态，并以其为依据选择要投资的资产，最后构建投资组合。HMM策略适用于状态变量无法提前获取的状况。论文使用了ETF价格数据用于构建HMM策略投资组合模型，共使用了23个ETF价格数据，每个ETF分别代表了一种资产类别。由于假设每月进行组合再平衡，因此研究使用调整后的股票和股息数据，计算了月度收益。数据获取方式为R语言中的“ quantmod”包调用的Yahoo Finance数据。

2、关于隐马尔可夫模型HMM

3、资产所处阶段的识别和组合构建

HMM策略旨在捕获每个资产所处的阶段，并构成包括股票和其他具有增长能力的资产在内的投资组合。在实证分析，论文不仅将策略应用于股票，债券，还应用于大宗商品和REIT’s等另类投资上。样本期为2001年1月至2019年9月，以滚动时间窗口的方法来构成投资组合。样本期间，滚动时间窗口长度为2年，每过一个月重复一次移动和训练的过程。投资期为2013年1月至2019年9月，即不包括初始学习的两年。

处于稳健性考虑，研究使用了2个维度的样本，两个样本涵盖的资产类别不同，分别包含10类资产和22类资产。为了取得与实际投资最接近的效果，研究使用了跟踪各大类资产指数的ETF价格，并假设投资组合买卖差价为0.10％来设定交易成本，因此，具有更高周转率的投资组合将增加交易成本。另外，假设投资者的经纪商提供无佣金ETF，即交易佣金设置0美元。

作者基于韩国交易所（KRX）从2014年7月1日到2016年5月31的价格、交易量与时间数据进行分析。考虑到KRX在2015年6月15日放宽市场成分股的涨跌停限制，即从±15%增加到±30%，因此本文的样本涉及对应变化前后的数月。除此以外，作者的研究对象只考虑KRX市场中市值最大的200家上市公司。

2、实证分析结果

3、HMM模型选股、择时能力的验证

在Kim等的文章中，以等权组合，60/40组合和均值方差组合为业绩基准，以动量策略为HMM策略的对比策略，实证分析了运用HMM策略和动量策略进行资产配置的效果，并检验了投资策略的有效性，最后得出以下两个结论：

其一，HMM策略和动量策略均显示出比传统资产分配方法更高的平均年收益率和夏普比率，且HMM策略表现更优。论文以等权组合、60/40组合和均值方差组合为基准组合，发现HMM策略和动量策略通过降低回撤，业绩表现在如金融危机的下行市场中得到了改善，均跑赢基准，且HMM策略跑赢基准组合的概率更高，即胜率更高，说明HMM策略优于动量策略。

其二，业绩归因上，HMM策略和动量策略比传统策略具有更强的择时和选股能力，且HMM择时和选股能力强于动量策略。论文使用了Jensen’s Alpha、Fama’s Net Selectivity、Treynor-Mazuy模型三种衡量投资组合绩效的方法，发现HMM策略和动量策略均表现出明显选择资产的能力。择时方面，HMM策略表现优于动量策略。

论文的另一大意义在于，提出的HMM投资策略运用了人工智能的方法，这表明人工智能投资策略能比传统投资策略获取更好的业绩。因此，未来需要对诸如RNN之类的深度学习在资产配置策略上的应用进行进一步研究。

论文的局限性和未来研究方向如下：第一，论文通过学习单个资产的收益来判断资产所处阶段，但是，宏观经济变量也会影响单个股票和资产的回报，因此需要将这些因素纳入考虑范围；第二，论文使用的是月度数据，未来可应用于更高频的交易。

Kim, E.-C.; Jeong, H.-W.; Lee, N.-Y. Global Asset Allocation Strategy Using a Hidden Markov Model. J. Risk Financial Manag. 2019, 12, 168.

实习生巫黛颖对本报告亦有重要贡献。