本文主要介绍了文献“Global Asset Allocation Strategy Using a Hidden Markov Model”,作者以等权组合、60/40组合和均值方差组合为业绩基准,以动量策略作为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,得到以下两个结论:
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,且与动量策略相比,HMM策略跑赢基准组合的概率更高,即胜率更高。
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择时和选股能力高于动量策略。论文使用了三种评价投资组合绩效的方法,分别为Jensen’s Alpha、Fama’s Net Selectivity和Treynor-Mazuy模型,发现HMM策略和动量策略较基准策略均表现出明显的资产选择能力。市场择时方面,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,未来需要进一步研究诸如RNN之类的深度学习在资产配置策略上的应用。
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。
HMM模型介绍
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
实证分析
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
结论与展望
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。
参考文献
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.
《“琢璞”系列报告之四:主动性份额是筛选基金的有效指标吗?》
《“琢璞”系列报告之八:高持仓集中度是否能够提升基金的业绩表现?》
《“琢璞”系列报告之十:供应链中的收益可预测性:国际性的证据》
《“琢璞”系列报告之十二:管理层情绪对股票收益率有何影响?》
《“琢璞”系列报告之十三:如何理解美股历次崩盘的差异:基于突变理论视角的解释》
《“琢璞”系列报告之十四:基于新闻和社交媒体的情绪投资信号》
《“琢璞”系列报告之十五:市场避险策略的思考——风险事件前后的观点比较》
《“琢璞”系列报告之十六:杠杆、反向ETF的收益与风险特征》
《“琢璞”系列报告之十七:投资者情绪能否解释权益基金的超额收益》
《“琢璞”系列报告之十九:基金经理的投资管理能力与组合集中度》
《“琢璞”系列报告之二十一:股价弹性作为非流动性指标在选股上的应用》
《“琢璞”系列报告之二十二:如何看待涨跌停板幅度变动对股价波动的影响》
实习生巫黛颖对本报告亦有重要贡献。
重要申明
风险提示
本文参考文献的实证是基于韩国市场的股票数据进行实证,当市场环境发生变化的时候,存在模型失效的风险,文章结论不构成投资建议。
分析师承诺
负责本研究报告全部或部分内容的每一位证券分析师,在此申明,本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与,未来也将不会与本报告中的具体推荐或观点直接或间接相关。
本报告分析师
任瞳 SAC职业证书编号:S1090519080004
姚紫薇 SAC职业证书编号:S1090519080006
免责申明
本微信号推送内容仅供招商证券股份有限公司(下称“招商证券”)客户参考,其他的任何读者在订阅本微信号前,请自行评估接收相关推送内容的适当性,招商证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。
完整的投资观点应以招商证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被招商证券认为可靠,但招商证券不对其准确性或完整性做出任何保证,报告内容亦仅供参考。
在任何情况下,本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定,在任何情况下招商证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。
本微信号推送内容仅反映招商证券研究人员于发出完整报告当日的判断,可随时更改且不予通告。
本微信号及其推送内容的版权归招商证券所有,招商证券对本微信号及其推送内容保留一切法律权利。未经招商证券事先书面许可,任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用,否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。