本报告基于机器学习(逻辑回归和XGBoost)预测市场走势,动态调整风险规避系数以优化均值-基尼投资组合,采用滚动窗口测试标准普尔500成分股资产,实证结果显示XGBoost模型构建的组合在平均收益、累积收益和年化收益率方面均领先于多个基准,验证了机器学习集成投资组合再平衡框架的有效性 。
| 投资组合 | 平均收益 | 标准差 | GMD | 夏普比率 | 累积收益 | 年化收益率 |
|---|---|---|---|---|---|---|
| 逻辑回归(LR) | 0.33% | 3.42% | 1.77% | 0.0970 | 1390.65% | 15.28% |
| XGBoost | 0.35% | 3.68% | 1.83% | 0.0948 | 1511.73% | 15.76% |
| 恒定λ=0.5 | 0.24% | 2.76% | 1.48% | 0.0878 | 655.62% | 11.23% |
| 等权重 | 0.22% | 2.29% | 1.20% | 0.0955 | 574.16% | 10.57% |
| 标准普尔500 | 0.08% | 2.42% | 1.26% | 0.0335 | 66.61% | 2.72% |
| 最小方差组合 | 0.03% | 0.04% | 0.02% | 0.8820 | 36.07% | 1.63% |
报告标题: 集成了机器学习的投资组合再平衡框架 ——学界纵横系列之二十八
作者: 陈奥林(分析师)、徐浩天(研究助理)及国泰君安证券金融工程团队
发布机构: 国泰君安证券研究所
发布时间: 未具体标注,但基于数据使用时间推断为2020年左右
研究主题: 将机器学习方法嵌入投资组合优化的动态再平衡框架中,通过机器学习模型预测市场趋势,以调整风险规避系数,从而优化资产配置,获得长期稳定回报。
核心论点:
本文围绕《A Machine Learning Integrated Portfolio Rebalance Framework with Risk-Aversion Adjustment》一文,介绍了基于机器学习的市场趋势预测结合基尼均差度量的均值-基尼投资组合优化模型,从而形成动态风险规避调整的多周期投资组合再平衡框架。作者认为该框架通过使用极端梯度提升(XGBoost)和逻辑回归(LR)模型对市场走势进行预测,并用该预测概率调整风险规避系数,使投资组合能够动态调整风险暴露,实现样本外优异的收益表现。最终,XGBoost模型相较LR表现更优,且均远胜传统均值-方差模型、等权重组合、标准普尔500指数及最小方差投资组合。
该章节首先回顾了经典投资组合优化理论,强调了Markowitz均值-方差模型的局限性——主要是方差作为风险度量假设资产收益正态分布和效用函数二次型,而实际中往往不满足此条件。为此,引入了诸如基尼均差(GMD)、半方差、条件在险价值(CVaR)等替代风险指标。基尼均差作为投资组合风险的新颖度量,其定义为资产组合收益率两两差值的绝对值均值.
此外,章节提出了双目标优化问题,投资者通过调整风险规避系数以实现收益和风险的动态权衡,进而将风险规避系数与市场趋势状态相联系:若市场处于下跌趋势,风险规避系数较大,投资组合更保守;反之则降低风险规避系数以追求更高收益.
引入多期动态再平衡的框架,强调市场环境的波动需要投资组合能动态适应,而机器学习技术正好具备捕捉市场趋势、辅助动态调整的能力。
挥发点是,先前投资组合优化中技术指标未被直接用于市场趋势预测,文中提出机器学习框架将技术指标作为输入,预测市场趋势,再以此调整投资组合配置以提升表现。
基尼均差定义
按历史数据计算,基尼均差为投资组合在不同周期收益率的平均绝对差异,反映组合的波动性和风险特征,4]。
均值-基尼模型
该模型以期望收益和基尼均差为收益和风险度量,构建优化目标函数。风险规避系数α控制了收益与风险间的权衡。文中对目标函数进行了标准化处理,设定风险规避系数λ为市场上涨的概率,从0(市场下跌)到1(市场上涨)连续变化,使风险规避调整更灵活。
技术指标
选用14个经典技术指标包含多种均线、振荡指标、成交量指标等,并采用不同参数配置共37个版本,作为预测市场走势的特征输入机器学习模型,5]。这些技术指标能够反映价格走势、市场动量和资金流等信息,为预测提供丰富信号。
机器学习模型
选用逻辑回归(LR)和极端梯度提升(XGBoost)两种分类算法,目标为预测标准普尔500指数未来一期上升或下降。LR模型给出显式概率表达式,XGBoost模型采用集成多棵决策树进行分类预测,通过正则化避免过拟合,6]。
架构分为预测模型与投资组合优化两大模块(图1):
预测模型:输入历史市场指数数据,通过计算技术指标构成特征,利用机器学习模型预测下一期市场上涨概率。
投资组合优化:利用预测概率作为风险规避系数,结合历史资产数据和均值-基尼模型,求解优化后资产权重,实施动态再平衡。
具体操作为:采用滚动窗口法,在每个滚动窗口内训练模型,更新风险规避系数预测,进而获得投资组合权重,并持有一周期,接着窗口滑动重复此过程,实现样本外测试和动态调整。
框架通用且具扩展性,可适配不同技术指标和机器学习模型,8]。
资产池包括标准普尔500指数中25项风险资产及13周国债作为无风险资产,选取条件包括数据完整性、波动性控制以及行业多样性,涵盖9个主要行业板块,9]。
滚动窗口长度为260周(5年),覆盖1995年至2018年1252周期间,共生成992个样本外投资组合。
与通过固定风险规避系数λ=0.5的均值-基尼模型、等权重组合、标准普尔500指数及最小方差组合进行横向对比。
评价指标包括样本外平均收益率、标准差、基尼均差、夏普比例、累积收益和年化收益等,体现收益风险及风险调整后收益表现,10]。
逻辑回归与XGBoost预测精度分别为58.57%和59.58%,XGBoost领先1.01个百分点;显示机器学习模型具备一定的市场趋势判别能力。
图2显示XGBoost模型中,技术指标的相对重要性排序:EMV(周期为10)、MACD(参数2,3,3)、RSI(n=10)、ADX(n=3)、SMI(n=3)为预测的重要驱动指标,表明不同参数的指标影响显著且不一,展示了技术指标参数对模型训练的敏感性。
表3和图3详细比较了6种构造投资组合的样本外表现,12]。
收益指标: XGBoost组合样本外平均每周收益达0.35%,累计收益约1511.73%,年化收益15.76%,优于其他组合。LR组合紧随其后,表现也超越基准组合。
风险指标: XGBoost和LR组合的标准差和基尼均差略高于其他基准,显示其承担了更多风险但获得更高收益。夏普比略优于固定λ组合和等权重组合,但明显高于标准普尔500指数。
表现趋势: 从图3可见,自2008年金融危机后,机器学习构建的组合优势尤为明显,累计收益成长远超大盘。
该结果显示机器学习辅助的风险调整均值-基尼框架有效提升了投资组合效率,取得了长期稳定优异的超额收益。
总结部分明确本研究提出集成机器学习预测与风险预期调整的动态均值-基尼投资组合再平衡框架,在标准普尔500市场数据下经过大规模滚动测试验证,机器学习模型尤其是XGBoost提供了优质市场走势预测信号,纳入多元技术指标后有效提升组合表现,最终生成投资组合在收益率、累积收益及年化收益指标上均显著优越于传统对照组合。
未来可扩展至指数跟踪等相关问题,引入更复杂约束及更丰富数据集,验证和改进框架性能.
图1清晰展示框架包括两个模块:
预测建模部分:输入历史市场指数数据,计算生成技术指标,利用机器学习模型预测市场运动概率。
投资组合优化部分:输入预期风险资产历史数据,结合预测概率(作为风险规避系数),采用均值-基尼模型计算组合权重,实现动态再平衡。
图中文表示逻辑清晰,反映了多期循环与交互过程,图形直观支持文中框架描述。
表1列出14个技术指标及其参数组合,如SMA/WMA/EMA均计算周期为3、5、10,MACD组合了2组不同快线、慢线及信号线参数,RSI、ADX、SMI等也包含多周期变种。丰富参数设计使得生成37个版本的技术指标特征,有助于捕捉不同时间尺度市场动态特征,加强机器学习模型的预测能力.
条形图展示了XGBoost模型在992个滚动窗口中各预测特征的平均重要性。排序前五的依次为EMV(n=10)、MACD(2,3,3)、RSI(n=10)、ADX(n=3)、SMI(n=3),显示指标周期和具体指标种类对预测贡献有显著影响。文中指出EMV(10)优势明显,长周期均值更适合,RSI呈现"长周期优于短周期"趋势,而MACD和ADX则偏好短周期.
此图说明技术指标多样性和参数设置对机器学习预测性能十分关键。
该表对比了逻辑回归(LR)、XGBoost、固定λ=0.5均值-基尼、等权重、标准普尔500指数和最小方差组合的6项评价指标:
整体表明机器学习辅助的NMG组合在收益率与风险调整后表现上优势明显.
折线图直观比较六类组合的累计收益走势,XGBoost(黄色)与LR(绿色)线明显高于其他组合,由2008年金融危机后差距逐步拉大,反映该框架在市场剧烈波动期也具备良好的适应性和风险调整能力,优异表现长期维持.
本报告属于方法框架与实证评估性质的金融工程研究,未涉及传统意义上的公司估值、目标价等内容,故无估值分析段落。
其核心聚焦于基于机器学习的投资组合再平衡模型的构建和性能验证。
报告未直接列出针对模型或投资组合的风险显著提示,但潜在风险可从内容推断——
模型风险:机器学习模型基于历史数据训练,存在过拟合与预测误差的可能,预测市场走势准确率在0.59仅略优于随机,预测错误会导致组合配置失效。
技术指标选择及参数风险:技术指标的选择和参数敏感,可能不适应所有市场环境,参数设置的变化影响模型性能。
市场风险:投资资产池以标准普尔500为标的,受宏观经济、政策环境及市场波动影响显著,模型调整风险规避系数虽有缓解,但难以完全规避系统性风险。
数据采样与滚动窗口设计:滚动窗口设定可能影响模型训练的泛化性,且样本内外划分假设市场稳定,市场结构变化时可能失效。
报告中通过增加技术指标数量、延长滚动窗口、扩大测试样本区间,提升模型的鲁棒性及验证其适应性,间接缓解上述风险,7,9].
虽然XGBoost改善预测率1%以上,绝对预测准确率59.58%仍较低,表明市场本质难以预测,模型改进存在上限风险。
风险规避系数建模为市场上涨概率,虽然逻辑合理,但简单线性对应风险态度可能忽视投资者复杂心理和市场非线性反应。
仅使用技术指标和价格数据未考虑宏观经济指标、基本面因素,可能限制模型的泛化能力和实用性。
滚动窗口策略和参数设置对表现有较大影响,但报告未详细讨论参数选择带来的可能偏差。
报告中虽表述风险调整,但XGBoost组合的风险指标(标准差、GMD)明显高于基准,可能存在收益-风险权衡偏好不同的隐性假设。
报告侧重收益提升,夏普比等风险调整后指标提升幅度有限,投资者需谨慎评估额外风险承受能力。
图表中展示的累积收益具有较大的波动区间,未给出回撤等下行风险指标,缺乏对风险极端情况的说明。
本文全面介绍并评析了集成机器学习预测的动态投资组合再平衡框架——基于基尼均差度量的均值-基尼模型,通过将市场技术指标输入机器学习分类模型(LR与XGBoost)预测市场上涨概率,作为风险规避系数权衡收益与风险,动态调整均值-基尼投资组合权重,形成多周期滚动窗口策略实现样本外验证。
核心发现和论断包括:
方法创新:引入连续且无约束的风险规避系数,直接源于机器学习预测结果,较前人仅限离散风险系数调整更灵活,有效整合市场预期信息与投资组合优化。
技术指标丰富:使用14种技术指标及不同参数组合共37个版本,全面捕捉市场价格、动量、成交量信号,提高预测准确性和模型稳健性。
机器学习模型效果:XGBoost略优于LR,预测准确率分别为59.58%和58.57%,显著高于随机猜测,为投资决策提供有价值信号。
优异投资表现:机器学习辅助构建的投资组合在样本外测试期取得平均周收益率0.35%,年化收益率达15.76%,远超固定风险系数组合、等权重、标准普尔500指数及最小方差组合。累积收益率超过1500%,显示长期的超额回报能力。
图表验证:
实践意义:该框架为投资经理提供了一个以数据驱动、动态调整风险偏好的有效工具,有助于捕捉市场动量,提升资产配置的动态响应能力。
未来展望:可进一步扩展到更多类型的组合优化问题,融入更多约束条件,同时采用更全面数据提升模型稳定性和适应性。
综上,该报告以严谨的理论基础、丰富的实证数据和合理的机器学习技术,成功构建并验证了机器学习驱动的集成投资组合再平衡框架。报告不仅在金融工程领域具有重要学术价值,对实际资产管理和投资策略制定同样提供了切实有效的思路和工具。
,1,2,3,4,5,6,7,8,9,10,11,12]
学界纵横系列之二十八:集成了机器学习的投资组合再平衡框架.pdf