本文提出一种结合高斯隐马尔可夫模型(HMM)与嵌套聚类优化(NCO)的市场状态感知型战术资产配置框架,在协方差估计、层次聚类和组合权重优化环节引入状态条件信息,并通过状态转换或权重漂移触发自适应再平衡。基于印尼债券、股票、黄金、外汇和比特币构成的多资产组合进行滚动样本外回测,结果显示该框架显著控制了组合下行风险,最大回撤为4.44%,但其收益和夏普表现并未全面优于高风险资产占比较高的基准策略。
报告的核心论点是:资产收益分布、波动率和相关性会随经济周期、政策变化、地缘政治事件和风险偏好发生变化,因此基于全样本平均协方差矩阵构建的静态组合可能不适应当前市场环境;如果在协方差估计、资产聚类和组合权重优化三个环节都引入市场状态信息,理论上可以降低尾部风险和最大回撤。
报告没有给出传统意义上的股票评级、买入/持有/卖出建议或目标价,因为研究对象是组合构建方法而非单一上市公司估值。其主要成果指标是:样本外最大回撤达到4.44%,相较等权组合的15.27%和买入并持有组合的21.17%明显较低,但收益表现并非最高。
报告以Markowitz均值—方差理论为参照,指出传统组合优化通常隐含两个假设:收益分布相对稳定、历史协方差能够代表未来关系。但金融资产收益具有异方差、肥尾和结构性断裂特征,导致使用全样本数据得到的组合权重可能在牛市、震荡市和熊市中均不理想。
研究特别强调四项现实挑战:
报告提出四个研究问题:无前视偏差的市场状态信息是否能够改善NCO组合构建;状态感知NCO是否能够比非状态感知方法取得更好的风险调整收益;基于状态变化和权重漂移的自适应再平衡是否优于固定周期再平衡;以及策略在不同状态、参数和交易成本假设下是否稳健。
报告声称的贡献包括:形式化地把HMM状态识别嵌入NCO的协方差、聚类和权重优化全过程;在不预测未来收益的前提下进行状态条件化配置;设计由状态变化或权重漂移触发的自适应再平衡机制;以及提供针对印度尼西亚多资产数据的实验流程。
这里的重要特点是,该方法并不直接预测某项资产未来会获得多高的收益,而是利用市场状态改变对风险结构的估计。换言之,策略的主要信息来源是“当前风险和相关性处于什么状态”,而不是“下一期收益是多少”。
报告将Hamilton的状态转换模型、HMM动态配置研究、HRP和NCO等工作作为理论基础。HRP通过层次聚类和递归二分避免直接求逆协方差矩阵,NCO则进一步将资产先在簇内优化,再在簇间优化,从而降低协方差估计误差对最终权重的影响。
报告认为其研究空白主要有四点:原始HRP和NCO通常不包含市场状态;已有状态转换配置研究更多使用标准均值—方差优化,在短状态窗口内容易出现“Markowitz诅咒”;不同状态下的聚类结构很少被完整区分;而印度尼西亚股票、债券、黄金、汇率和比特币组成的多资产市场研究相对不足。
不过,文献比较表Table I的具体单元格内容在所提供文本中没有展开,因此只能确认它比较了多资产范围、战术资产配置和自适应再平衡等维度,无法逐项复述各研究的具体结果。
组合包含N项资产,权重向量为 (w_t),并受到长期、全投资约束,即各资产权重非负且总和为1。组合收益为各资产收益与权重的内积,因此策略主要通过动态调整权重适应不同市场状态。
这意味着策略不能通过做空在熊市中直接获利,也不能持有现金作为独立资产,因此“防御性”主要依赖于增加低波动或低相关资产,而不是建立负敞口。
HMM把市场状态视为不可直接观察的隐变量,观测数据则由各状态下的收益、波动率和汇率压力等特征生成。报告使用三状态高斯HMM,并通过Baum–Welch算法估计参数、Viterbi算法解码状态。
特征向量包括LQ45滚动平均收益、LQ45已实现波动率、SBN滚动平均收益和CNY/IDR月度收益。状态数量在K=2、3、4之间比较,并以BIC最小为选择标准,最终选定三个状态。
三个状态被解释为:
严格因果性是该方法的重要设计。每个决策点只使用截至当期的信息,在滚动窗口内重新估计HMM,取最后一个解码状态,并将根据该状态计算的权重延迟一期执行,以避免使用未来信息。
不过,状态标签是在估计后按照股票收益特征排序确定的。由于滚动估计会导致隐状态编号发生变化,状态标签在不同窗口之间的稳定性是实际应用中的重要问题;报告后来也承认短窗口导致参数不稳定和频繁换状态。
在确定当前状态后,报告只使用历史上被划入该状态的观测,构造状态条件协方差矩阵。为减少样本不足和噪声影响,报告采用Ledoit–Wolf收缩方法进行协方差稳定化,并将相关系数转换为角距离,再用平均连接法进行层次聚类。
聚类数量通过最大Silhouette指标确定。随后进行两层优化:
这种设计的逻辑是:资产之间的相关性估计可能不稳定,但同一簇内部资产通常具有相近风险特征,将优化拆分为簇内和簇间两个层次,可以减少所有资产同时参与一个高维矩阵优化所产生的权重极端化。
报告设置了两种再平衡触发条件:市场状态发生变化,或者最大权重漂移超过阈值δ。交易成本按照再平衡时目标权重与漂移后权重绝对差额收取,每次交易成本设为10个基点,即0.10%。
回测采用24个月滚动估计窗口、一个月持有期和一个月步长,样本外期间为2021年1月至2025年8月,共56个月。该设计属于滚动走步回测,每个月重新识别状态和计算组合。
研究使用五项资产:
观察期为2019年1月2日至2025年8月31日,2019—2020年作为训练期,2021年1月至2025年8月作为样本外测试期。所有资产统一转换为印尼盾,缺失值采用前值填充,并删除共同节假日。
这里存在一个值得注意的数据处理细节:报告称黄金价格来自XAU/USD,但转换时使用的是CNY/IDR汇率,而不是美元/印尼盾汇率。除非数据流程中还有未披露的美元—人民币转换步骤,否则这一处理可能影响黄金的印尼盾收益测算,属于应进一步核查的方法问题。
Table II展示全样本2019年1月至2025年8月五项资产的月度收益描述统计,理论上用于比较各资产的平均收益、波动率以及风险特征。
但所提供文本没有显示Table II的具体数值,因此不能可靠地逐项复述均值、标准差或极值。它的分析作用主要是建立无条件基准:后续Table IV再把这些资产分解到牛市、震荡市和熊市中,从而判断平均统计特征是否随状态改变。
Table III展示五项资产在全样本期间的无条件两两相关性,用于与后面的状态条件相关矩阵比较。
该表的具体数值未在文字中展开,图像中也未提供Table III本身,因此无法逐格解释。其关键用途是说明:如果全样本相关矩阵与牛市、震荡市和熊市相关矩阵差异明显,那么采用单一无条件协方差矩阵就可能错估分散化效果。
该图将LQ45指数曲线与三种颜色的状态背景叠加。绿色代表Bullish,黄色代表Sideways,红色代表Bearish。
从图形看,状态区间在样本外阶段交替出现,而不是呈现完全连续的单一牛市或熊市。LQ45在2022年前后出现明显高点,2024年后至2025年初则出现显著下降,红色熊市区间与指数下跌阶段有一定对应关系,但状态标签也较频繁切换。
报告统计样本外56个月中,牛市17个月、震荡市30个月、熊市9个月,说明中性状态占比最高,真正被识别为熊市的月份相对有限。
图2分别展示牛市、震荡市和熊市中的五项资产相关性。牛市中,SBN与Valas相关性约为-0.52,Gold与Valas约为-0.32,LQ45与Gold约为-0.21,说明部分资产之间存在较明显的分散化关系。
震荡市中,SBN与LQ45的相关性约为-0.32,Gold与Valas约为-0.55,而LQ45与Valas约为0.37,资产间关系与牛市明显不同。
熊市中,LQ45与Valas的正相关提高至约0.73,LQ45与Gold的相关性降至约-0.63,Gold与Valas约为-0.74;BTC与LQ45约为0.36、与Valas约为0.30。由此可见,熊市并不是所有资产都简单地“全面正相关”,而是相关结构发生了显著重组,股票与汇率压力可能同步,黄金则表现出更强的对冲属性。
图2总体支持报告“协方差应当状态条件化”的论点,但每个状态的观测数量不同,尤其熊市只有9个月,相关系数可能存在较大的样本误差,因此这些数值不宜被视为稳定的长期结构。
Table IV报告各资产在不同状态下的月均收益和月度标准差。报告举例指出,SBN在牛市中的平均月收益为0.76%,而熊市为-0.38%,显示债券表现也会随市场状态变化。
更重要的是,报告发现被标为Bullish的Regime 1中,LQ45实际平均月收益为-1.2294%,而Sideways状态中的LQ45平均月收益却为+0.5563%。这与状态名称的经济直觉相矛盾,说明训练期识别出的状态特征在2021—2025年发生了漂移。
该结果既是对HMM局限性的证据,也削弱了“牛市状态能够自然对应未来高收益”的解释。报告对此的解释是,样本外时期受到通胀冲击和加息影响,潜在状态的资产表现已经偏离2019—2020年训练期所形成的模式。
Table V给出不同市场状态下的平均组合权重,但表格具体数值在所提供文本中没有完整显示。
图5以堆叠面积图展示组合权重随时间的变化。视觉上,Valas占据较大且较稳定的权重区域,Gold通常保持较高权重;SBN和LQ45在不同月份之间大幅波动,BTC所占面积总体很小。
这说明该策略的防御性主要来自外汇和黄金配置,以及对BTC风险敞口的限制,而不是完全退出风险资产。与此同时,SBN和LQ45权重频繁上下跳动,与报告所说的状态几乎每月切换和月均换手率27.72%相互印证。
图3以对数刻度展示样本外期间各组合的累计价值。图中买入并持有和等权组合最终增长最高,标准NCO居中,最小方差和Regime-NCO的累计增长相对较低。
报告给出的累计收益为:等权组合76.70%,买入并持有组合87.98%,但两者波动率分别为13.02%和17.56%,最大回撤分别为15.27%和21.17%。这体现出收益与风险之间的明显交换:Regime-NCO没有追求最高累计收益,而是牺牲部分上涨收益换取更低波动和回撤。
图4比较Regime-NCO与无状态NCO的滚动12个月夏普比率。图形显示,Regime-NCO在2022年初至2023年初曾有正的夏普表现,但从2023年中到2025年大部分时间处于负值;无状态NCO在2024年至2025年初明显高于Regime-NCO。
这意味着报告关于“状态感知能够改善风险调整收益”的理论主张,并未在所有样本外阶段得到支持。Regime-NCO更明显的优势是控制回撤,而非持续提高夏普比率。
图6显示各策略从历史高点回落的幅度。买入并持有和等权组合的回撤最深,分别达到约21.17%和15.27%;Regime-NCO的回撤曲线整体较浅,最大回撤为4.44%,最小方差策略也表现出较强防御性。
该图是报告风险控制结论最直接的证据:状态感知NCO能够显著限制组合亏损深度,但图中并不能单独证明它产生了更高的长期收益。
报告将Regime-NCO与等权、买入并持有、最小方差、HRP以及无状态NCO比较。需要注意的是,报告将HRP在该五资产环境下用标准NCO近似,理由是当簇层配置接近逆方差分配时,两者产生相同权重轨迹,这种处理会降低HRP作为独立基准的区分度。
报告使用累计收益、年化夏普、Sortino、最大回撤、Calmar、换手率和扣除交易成本后的收益进行评价。Table VI标题还说明月度无风险利率为0.479%,但所提供文本没有呈现所有表格单元格,因此无法完整列出每个策略的夏普、Sortino和Calmar精确数值。
Jobson–Korkie检验用于比较策略收益的统计差异。报告指出,Regime-NCO与无状态NCO的p值为0.0790,说明在常用5%显著性水平下,两者收益差异并不显著;但与高波动、股票或加密资产暴露较高的策略相比,差异更明显。
稳健性分析改变HMM窗口、聚类连接方式、再平衡阈值和交易成本。将权重漂移阈值δ从0.02调整到0.10,对最终绩效影响有限,报告据此认为自适应框架具有一定稳定性。 但报告同时发现状态在56个月中有55次发生转换,月均换手率达到27.72%,这说明“最终绩效对δ不敏感”与“实际交易频率很高”可以同时存在,并不意味着该策略已经适合低成本实盘实施。
本报告没有对公司或资产进行DCF、P/E、EV/EBITDA或可比公司估值,也没有计算目标价。研究的“估值”含义实际上是组合风险—收益绩效评价,核心工具是最小方差优化、协方差收缩、层次聚类和回测指标,而不是证券内在价值估计。
报告明确列出以下风险:
报告提出的失败情形包括:市场状态切换速度快于HMM识别速度,以及流动性危机中不同资产相关性同时趋同,使原本依靠分散化的组合失去保护作用。
第一,报告的风险控制结论较有说服力,但“提高风险调整收益”的证据并不一致。累计收益明显落后于等权和买入并持有,滚动夏普图又显示Regime-NCO在较长阶段低于无状态NCO,因此更准确的结论应是“显著降低回撤,但未必提高收益或夏普”。
第二,Regime 1被命名为Bullish,但样本外LQ45平均月收益为-1.2294%,而Sideways为+0.5563%,表明状态名称与实际样本外表现脱节。该结果反映了模型的状态漂移,也说明不能把HMM标签直接当作未来收益信号。
第三,熊市只有9个月,而状态条件协方差又决定聚类和权重,样本很短可能造成较大的统计不确定性。虽然Ledoit–Wolf收缩可以缓解矩阵噪声,却不能完全解决状态样本不足和结构变化问题。
第四,55次状态转换导致较高换手率,说明HMM可能过度响应短期噪声。报告自己也提出未来应加入状态转换平滑或切换惩罚,这实际上意味着当前策略的实盘可交易性仍未充分验证。
总体而言,报告提出了一个逻辑完整的“状态识别—状态条件协方差—状态条件聚类—NCO优化—自适应再平衡”框架,其最大价值在于把市场状态信息嵌入风险建模过程,而不是简单地制定牛市买股票、熊市买债券的规则。
实证结果最支持的结论是:Regime-NCO明显降低了组合波动和尾部损失,样本外最大回撤为4.44%,显著优于等权和买入并持有;图2进一步显示不同市场状态下相关结构确实变化,图5显示策略通过黄金、外汇以及动态调整股票和债券权重来实现防御。
但策略的代价也很明确:累计收益低于高风险基准,滚动夏普没有持续领先,状态识别出现严重漂移,56个月中发生55次状态转换,交易成本和实盘执行风险可能被低估。
因此,作者的总体立场不是证明Regime-NCO能够在所有维度战胜被动策略,而是认为它更适合重视资本保全、最大回撤和下行风险的投资者。报告的结论在“降低回撤”方面较为稳健,在“提升风险调整收益”方面则需要更长样本、更丰富资产池、更严格的状态平滑机制以及包含滑点和市场冲击的交易成本模型进一步验证。
2610.27751.pdf