本报告首次将机器学习应用于全球大类资产配置,基于量价因子和集成树模型生成月频资产配置因子,构建等权和波动约束优化策略,实现显著超额收益和较优风险回报比,为传统资产配置提供新思路
本报告题为《人工智能全球大类资产配置模型》,由国金证券金融工程组分析师高智威撰写(执业编号S1130522110003),发布于2024年,研究的核心内容聚焦于应用机器学习模型,尤其是基于树模型的机器学习方法,来构建与优化全球大类资产配置策略。
报告核心目标在于突破传统基于宏观指标的主观资产配置模式,采用机器学习自动生成的资产预期收益因子,实现资产的截面比较和量化排序,从而制定月频度的可投资资产配置策略。报告最终给出的策略显著优于等权基准,年化超额收益达14.74%,夏普比率和信息比率均表现良好。
作者主张机器学习作为新工具,在大类资产配置中的有效性和优势,包括模型的非线性捕捉能力、高效因子生成和降低主观偏差,均得到验证,且结合风险控制(轨迹波动约束)进一步增强策略的稳健性。本文同时警示模型的时效风险及市场条件变化的影响。
报告按结构清晰分为机器学习选资产方法、数据与预处理、模型优化、配置策略构建、策略评估与风险提示,内容详实并附以大量图表支撑。,1]
本节强调传统大类资产配置方法主要依赖宏观指标(CPI、利率等)和人为主观判断,存在频率不匹配、信息利用效率低、优化数值不稳定等问题。为此,提出基于因子投资的机器学习框架,通过构建具有可比较性的截面因子实现资产直接排序,减少人为偏差,并支持策略的快速反复验证与优化。
具体实施时,选用指数的高开低收价格数据,利用成熟的TA-Lib算法批量计算154个量价因子,包括MACD、KDJ、RSI等,作为模型训练的特征。标签取未来20日收益率,匹配月频调仓逻辑,模拟实际交易持有周期。模型选用树模型(CART算法衍生的GBDT、RF、DART等),优于神经网络因对小样本(资产数量有限、数据频率非高频)较为稳健,防止过拟合。
CART算法具体阐释了回归树中基于最小化均方差的划分准则,以及预剪枝、后剪枝技术防止过拟合。集成学习中,Bagging对应RF实现并行降低方差,Boosting(GBDT)串行迭代修正残差提升准确率,DART引入Dropout随机跳过部分树,防止早期树权重过大,增强泛化。两主流软件包XGBoost和LightGBM分别实现上述算法优化,LightGBM采用Leaf-wise分裂加速计算。
此节奠定了后续模型训练与优化的基础,强调机器学习模型在资产配置领域创新性应用的重要性与技术细节。,4,5]
本部分细致列举所选资产与指数标的涵盖国内外股票(沪深300、恒生、纳斯达克100、德国DAX、日经225等)、债券(国债指数、中证转债、美债期货)、和商品(SHFE黄金、ICE布伦特原油),共11只资产,分别对应可交易的ETF以确保策略可实盘操作。
数据时间范围从2010年1月1日至2024年5月24日,划分为训练集(20102018)、验证集(20192020)、测试集(2021至今),无滚动训练。各类资产净值走势图示显示国内股指震荡,海外股指如纳斯达克涨幅显著,债券表现相对稳定,商品波动较大,体现资产多样性。
统计指标包括年化收益率、波动率、夏普比例和最大回撤,显示纳斯达克表现最好,传统股指2021年以来波动加大,部分资产甚至负收益。收益相关性矩阵显示股票资产内部相关性较高,债券与股市相关性低,商品相关度普遍较小,呈现良好多样化条件。
原始特征进行两层预处理:时序预处理(针对某些因子除以当日收盘价统一量纲)和截面预处理(保证不同资产间特征可比性)。截面预处理方法包括CSMinMax、CSZScore、CSRank等,分别标准化特征映射到0~1区间或以排序替代原始数值,且考虑训练集与测试集分开计算标准化参数避免信息泄露。标签亦做类似多方式预处理尝试,标签预期为未来20日收益。
此节为后续模型训练质量保障提供了精准数据基础及合理假设。,6,7,8,9]
综合多个指标(因子IC均值、多头年化收益、Sharpe比率、最大回撤),CSMinMax截面处理特征表现最优,能最大化模型输出因子有效性和收益表现。标签方面,与特征处理保持一致的截面ZScore处理标签(ret_CSZScore)一般表现最佳,保证训练时标签与特征框架的匹配性,有利于模型稳定训练。各方法对比展示了不同组合下结果的细微差异,特别是在LightGBM GBDT与DART模型中更为显著。
基于特征CSMinMax条件下,lgb_dart和xgb_gbtree模型表现出最强因子能力,均能输出高IC和稳定获利;lgb_gbdt次之,lgb_rf效果最弱且模型容量大,泛化不足。最终报告选用lgb_dart结合ret_CSZScore标签作为主要模型与因子构建方式。这一选择有助于降低换手率(因IC衰减较慢)、提升策略连续性。
lgb_dart与lgb_gbdt生成的不同标签处理因子IC相关度接近0.63,说明因子间信息重叠较大,不宜简单合成。IC衰减图显示lgb_dart模型构建的因子虽然初期IC略小,但保持更久,不易快速衰减,有助于策略频率降低换手率,符合资产配置要求。
最终选定因子在测试期表现优异:IC均值9.0%,多头年化收益13.34%,多头Sharpe比率1.105,最大回撤仅8.53%;多空组合年化收益15.20%,Sharpe比率1.231,显示该因子具有较强的预测能力和风险调整后收益能力。,10,11,12,13]
基于全球大类资产配置因子,每月初选取因子排名前三资产等权配置,手续费取千分之三,策略衡量基准为11资产等权配置。回测期2021年至2024年5月,策略净值稳定攀升,超额收益明显。
策略年化收益率16.91%,远高于基准2.67%,夏普比率0.99也显著超越基准0.31。最大回撤15.39%,与基准14.91%水平相当,但超额最大回撤仅5.97%。分年度数据展示各年均实现稳定正超额收益,2022年逆势仍然正收益。策略的换手率较高(450%)但对手续费相对稳健,手续费提升至千分之五依旧有14.79%的年化收益。
历史仓位显示热点集中于中证500、ICE布油、黄金、德国DAX、恒生、纳斯达克等,动态调整反映模型对市场情绪和资产表现的敏感性。
筛选资产数量(top3、top4、top5)和手续费对收益率和风险有较明显影响,多资产持仓降低收益,手续费提升造成收益逐步下降。针对高波动率问题,报告引入约束年化波动率不超过6%的优化问题,通过滚动窗口协方差估计进行权重调节。
施加波动率约束后,策略年化收益降低为7.86%,但夏普比率显著提升至1.28,年化超额收益4.7%,最大回撤6.13%,换手率下降至289%,展现更强稳健性。约束策略权重大幅提升债券配比,体现风险平衡的合理优化逻辑。,15,16]
报告明确提出策略基于历史数据和模型统计,不保证未来对应表现,存在模型时效性风险。市场政策变化、交易成本提升等均会对策略收益产生不利影响,甚至导致亏损。同时资产选择与模型构架可能随市场演变需持续验证。报告提示投资者理性使用,结合实际判断和专业咨询。
比较两种模型结构,树模型以分支决策树形结构呈现,结构简单,参数低,具备高可解释性;而神经网络节点复杂连接,参数多,易受样本小且噪声影响过拟合。图示直观体现为何树模型在小型资产配置训练集更优势。
Bagging通过独立样本训练多个弱学习器并平均结果实现降方差,适合并行;Boosting串行训练学习器,重视前一模型错误重点修正,提升准确度但难并行,偏序列优化。图示清晰表达两者训练思路。
各类资产净值走势差异显著:
标志基准策略年化收益低迷(2.77%),波动率8.7%,夏普仅0.319。明显收益有限,强调优化资产筛选必要性。
不同预处理组合测试结果以IC均值、多头收益和最大回撤衡量性能。结果显示CSMinMax特征处理与ret_CSZScore标签处理最佳,尤其采用LightGBM DART模型时最为显著,最大回撤较小且收益与信息比率出众。
不同因子间相关较高,显示信息重叠;IC衰减分析显示DART模型因子耐久性优于GBDT,有利于降低换手率,提升时序稳定性。
机器学习因子策略净值稳健上行,明显优于等权基准。年化超额收益率近15%,信息比率1.34。年度收益和夏普比率表现均衡,最大回撤合理控制。
无波动约束时策略偏重股票与商品,债券配置极少;波动约束策略则大幅增加债券比重,策略更加均衡,尤其国债指数持续占有较大权重。
手续费增加对年化收益和夏普影响有限,持仓资产数量增加反倒降低收益表现,提示精细选股优于多样化配置。
通过波动约束,策略成功在降低波动的同时提升Sharpe比率,表现稳健度提升明显;换手率下降,提升交易效率。
报告核心并非传统公司估值,故无直接DCF或PE估值。模型估值体现为因子预测能力与量化策略的风险调整收益指标。通过IC均值、Sharpe比率、收益率等多角度综合衡量因子“估值”,实际即为对策略收益预期和风险的量化表达。
报告未详述缓解策略,提醒投资者注意动态调整和风险管理。
综观全文,报告立足创新应用,但实际场景中仍面临技术和市场多元挑战。
本报告创新将机器学习模型,特别是基于决策树集成学习(LightGBM DART模型)应用于全球大类资产配置,通过系统化筛选154个量价因子,结合未来20日收益率标签,以截面MinMax和ZScore标准化处理,构建了有效可比的资产打分系统。
策略以资产月频评分为依据,等权配置排名前三资产,手续费计入,历史回测展现出显著超额收益和较高夏普比率,相较传统等权基准收益率高出近15个百分点,回撤水平控制合理。导入波动率约束优化后,策略低波动率环境下依旧表现稳健,Sharpe比率从0.99提升至1.28,换手率显著下降,资产配置更趋均衡,提升了策略的实用价值。
图表从资产历史净值、相关矩阵、预处理效果、模型比较、因子IC衰减到策略绩效均提供了充分数据支撑,逻辑清晰,实证充分。
报告也诚恳指出当前研究面临的数据样本限制、模型泛化难题、宏观信息融入不足及交易执行成本等问题的挑战,并建议未来深化分域学习和宏观融合等方向改进。
总体来看,报告体现机器学习在资产配置领域的突破性进展,不仅为投资策略设计提供了准确有效的新工具,也为量化投资领域注入了新的思路和实践基础。
见图表26-28
(全文完)
Beta猎手系列之九:人工智能全球大类资产配置模型.pdf