本报告基于网络分析和机器学习技术,探讨资产因子与混合投资组合配置的关联性及优化方法。通过有向网络与关联网络分别刻画资产与因子关系,结合LASSO回归与交叉验证,实现稳健的特征选择和风险敞口管理。实证结果显示混合配置优于纯因子或纯资产配置,且网络中心性得分能有效指导配置权重,机器学习辅助提升组合表现。研究为资产配置提供了新视角与方法论支持。
| 指标 | MVP | CCN | IVW | EW | CDN |
|---|---|---|---|---|---|
| SR | 0.1865 | 0.4774 | 0.5504 | 0.4538 | 0.3289 |
| ASR | 0.1794 | 0.4789 | 0.5598 | 0.4443 | 0.3320 |
| TO | 0.2457 | 0.0122 | 0.0250 | - | 0.6100 |
| HHI | 0.2326 | 0.0762 | 0.6467 | 0.0625 | 0.1310 |
| MaxDD | -0.1411 | -0.0511 | -0.0154 | -0.0575 | -0.0692 |
| 指标 | MVP | CCN | IVW | EW | CDN |
|---|---|---|---|---|---|
| SR | 0.1468 | 0.1798 | 0.2798 | 0.2035 | 0.2667 |
| ASR | 0.1441 | 0.1650 | 0.1957 | 0.1886 | 0.2375 |
| TO | 0.1474 | 0.1067 | 0.0236 | - | 0.4907 |
| HHI | 0.2473 | 0.1158 | 0.6501 | 0.0625 | 0.0949 |
| MaxDD | -0.4305 | -0.1721 | -0.0699 | -0.2375 | -0.1743 |
| 指标 | MVP | CCN | IVW | EW | CDN |
|---|---|---|---|---|---|
| SR | 0.1399 | 0.3473 | 0.4612 | 0.2498 | 0.2693 |
| ASR | 0.1379 | 0.3329 | 0.3828 | 0.2292 | 0.2351 |
| TO | 0.2209 | 0.1055 | 0.0376 | - | 0.6865 |
| HHI | 0.2563 | 0.0763 | 0.5629 | 0.0476 | 0.0750 |
| MaxDD | -0.4775 | -0.0672 | -0.0328 | 0.1722 | -0.1460 |
报告全文标题:基于网络和机器学习的因子、资产和混合配置——“学海拾珠”系列之一百八十二
作者:炜执业证书号:S0010520070001,邮箱yanjw@hazq.com;吴正宇执业证书号:S0010522090001,邮箱wuzy@hazq.com
发布机构:华安证券研究所
报告发布日期:2024年(具体日期未明)
研究主题:本文聚焦因子投资、资产配置和混合配置策略,通过图论与网络分析结合传统与机器学习方法,探索资产与因子间的关系及其对配置绩效的影响。
本报告属于系列“学海拾珠”第182篇,旨在通过先进的网络与机器学习技术解析资产和因子组合的配置问题。作者借助有向网络和关联网络,利用图论分析资产和因子回报间的复杂联系,进一步结合LASSO(收缩与正则化技术)与交叉验证手段寻找最优配置。报告强调,因子与资产间存在高度相关性,混合配置策略可获取最大收益。机器学习方法在风险敞口识别和配置优化上展现出有效性,对国内市场的因子和资产配置研究提供了有益的创新路径。目前该结论针对历史与海外数据,未构成具体投资建议。
报告首先立足于投资组合理论,回顾Markowitz(1952)关于资产相关性的现代投资组合基本理论与因子投资的独立性假设。基于文献,指出因子间实际存在显著相关,且此相关可能带有方向性(即有向网络),如价值因子(HML)与动量因子(MOM)的关系在实际表现中并非对称。这种复杂性呼唤网络视角下的有向图分析。
投资中,资产和因子可视为网络节点,边代表它们间的相互作用;报告并介绍了基于回归的推断模型构造网络邻接矩阵的方法,以及距离度量用于关联网络(无向网络)的构建。
投资组合管理过程结合传统MVP(最小方差优化)、逆方差加权(IVW)、等权(EW)分配策略,与基于中心性的网络策略(关联网络CCN、有向网络CDN)进行比较评估。研究运用样本区间2003年1月至2017年12月,使用分层聚类方法优化策略组合,并引入机器学习方法(LASSO回归与交叉验证)增强稳健性。,4,5,6]
研究采用两组数据集:
频率均为月度,涵盖长达近15年的时间跨度。
报告对比了有向网络和关联网络的构建方法。基于因子回报的线性回归推断模型用以建立有向网络邻接矩阵,重点审视回归系数的显著性判断边的存在。关联网络则采用相关系数的距离度量,构建对称矩阵。
网络特性方面,报告应用互惠性指标衡量网络中节点间双向联系的比率,表明因子与资产之间存在高度双向影响。alpha中心性得分被用来度量单个节点对网络整体结构的重要性,这一度量结合了节点本身及其邻居的影响效果,更适合有向网络研究。
投资组合配置时,基于中心性的策略赋予重要节点更高权重,体现了实务中关注风险敞口较大的要素。
报告明确提出将交叉验证融入配置过程,避免过拟合,保证模型的预测能力和稳健性。,7,8,9]
网络分析实证表明,资产与因子高度相关,且相互关联性随回报波动呈负相关(图表2、3)。如图表4中资产及因子的最小生成树(MST)网络显示,资产与因子聚集呈集群结构,且每个集群包含价值因子和动量因子作为核心节点,间接证明“价值”与“动量”因子在市场中无处不在且关键。
资产(如美国国债UST,美元指数DXY)与因子之间的强相关暗示,为风险管理和资产配置决策创造了利用因子暴露的可能性。层次聚类进一步验证了资产和因子间的紧密依赖,强调了简单“互不相关”配置的局限性。,10,11,12]
纯因子配置:因子alpha中心性最高的为货币价值因子(FX.VALUE)、商品价值因子(Comdty.VALUE)及市场风险因子(MKT-RF)。逆方差加权(IVW)策略在调整夏普比率(ASR)、最大回撤(MaxDD)、换手率(TO)和分散化指标(HHI)方面表现最佳。基于关联网络(CCN)次之,均优于等权基准(EW)。,13]
纯资产配置:资产alpha中心性最高的货币相关资产(DXY)及美国短期国债(UST.Bills),说明货币和债券对资产间网络关系有主要驱动力。基于有向网络的CDN策略下,虽然换手率较高,但表现(SR、ASR)优良,且逆方差策略(IVW)显示风险厌恶者可采用。说明有向网络在捕捉资产间非对称关系和引导配置中有效。,14,15]
混合配置:结合因子与多元资产配置,因子拥挤现象明显,因子alpha中心性得分普遍高于资产。DXY仍是核心资产,因子的拥挤风险需关注。实际配置显示,关联网络(CCN)、逆方差(IVW)和有向网络(CDN)混合策略分别实现比基准更优的夏普比率,其中CDN混合策略的t统计超过3.066的临界值,显著性得到确认,提示投资者考虑混合配置的优势。报告强调对混合配置的持续监控和风险管理必要性。,15]
报告采用LASSO回归实现因子和资产特征选择。结果显示,资产配置中如美元指数DXY、EM权重收缩明显,说明LASSO有效识别出关键影响因子,强化了模型的稳健性和解释力。关联网络(CCN)在混合配置中表现出更高的截距,显示配置策略更具预测利润率。
通过交叉验证,模型分为训练集和验证集,实证测算均方误差(MSE),选择误差最小的模型作为最优。结果表明,机器学习方法结合网络分析,能够有效捕捉资产与因子间非线性和动态关系,提升配置质量和风险控制能力。,16,17,18]
报告强调投资者应结合传统与替代方法,充分利用图论和机器学习,提升资产和因子配置的科学性和实用性。预测模型的价值在于理解,不在于单纯追求精确预测。未来研究方向包括交易策略形成和因子风险动态管理等。
呈现本文整体研究框架,涵盖提出研究问题、前人文献综述、数据构造和模型搭建、网络分析方法、投资组合管理实现及机器学习方法,指明研究的创新点和实证路径,展示研究逻辑脉络和内容结构。
报告核心聚焦资产和因子配置的风险调整和收益表现分析,未涉及传统意义上的企业估值模型(DCF、市盈率等)。其“估值”更多指资产配置策略效能评估,包括夏普比率、最大回撤、换手率和分散度等指标,通过多维度评判投资组合质量。
报告整体未提出显式风险缓解策略,强调理性运用及谨慎监控的重要性。,18,19]
本报告系统梳理了因子与资产配置问题中的网络关系与机器学习应用。核心发现包括:
报告综合展示了网络分析与机器学习在现代投资组合管理中的强大潜力与现实价值,值得机构投资者关注和采用,同时也提示风险监控和策略适应性的必要。
报告基于Konstantinov, Chorus and Rebmann发表于《The Journal of Portfolio Management》的研究,结合国内外文献与数据,由华安证券研究所整理发布,且附有完整的合法声明和风险提示,明确界定不构成投资建议,供投资者进行学术与策略参考。,20]
总结:本文通过传统和创新方法,结合图论网络分析和机器学习,深入研究了因子和资产的配置问题,提出了更加科学和合理的投资组合管理框架。尤其强调了因子与资产复杂网络关系的实证表现和机器学习模型稳定性验证,为未来资产配置研究和金融工程实践提供了新的路径和参考。
“学海拾珠”系列之一百八十二:基于网络和机器学习的因子、资产和混合配置.pdf