本报告基于周期理论和机器学习,结合华泰金工周期三因子资产定价模型,创新引入机器学习Softmax模型及集成学习方法,量化挖掘资产周期状态与未来收益排序的非线性概率预测关系。通过对全球及中国主要资产的深度实证回测,结果显示该方法在年化收益率、最大回撤和夏普比率等多项指标上明显优于传统等权策略及单指标预测模型,验证了机器学习方法在周期资产配置中对新兴及发达市场的普适性和有效性,且可实时动态指导资产配置决策(含图表1周期三因子模型框架及图23、24等多模型实证对比)
论述内容: 报告回顾了美林时钟模型作为宏观择时的基础理论,该模型通过经济增长(GDP)与通胀(CPI)划分经济周期(复苏、过热、滞胀、衰退四阶段),并给出对应的资产配置建议(股票、债券、商品、现金) 。其逻辑合理并在美国较长历史数据中得到验证,但缺乏实时定量机制和周期转换的定量判断,导致在中国等新兴市场应用受限。
关键点:
数据与结论: 运用信号处理提取三大周期,通过多资产同比序列回归模型,已验证该周期对资产价格同比变动具有70%以上的解释力,显著优于美林时钟的定性分析。
论述内容: 报告介绍周期三因子定价模型的构建原理:通过信号处理方法(傅里叶变换、联合谱估计)识别全球多种金融经济数据的三大共同周期。该模型估计资产的同比价格变动中周期成分的权重和状态,以此判断周期状态及预测短期未来表现。
核心数据点:
方法评价:
引出机器学习方法的必要性: 针对以上局限,报告采用机器学习方法进一步挖掘周期状态与未来收益的非线性概率关系。
基本原理解读:
特征变量选择:
概率预测优势:
集成学习提升模型稳健性:
仿真测试:
真实市场回测:
分析总结:
周期状态外推原理: 利用周期三因子模型的线性周期相位延拓特性,基于最后观测时间点的状态线性预测未来资产周期状态,进而推算对应特征指标,为Softmax模型提供输入,实现未来周期状态的概率性收益排序预测。
预测结果梳理:
观点对应市场宏观: 报告观点与2018年市场环境相吻合,债市机会较大,股市和大宗商品风险上升。–
发现: 环比序列含有大量短期高频噪声,导致FFT功率谱中高频波峰显著,叠加噪声扰动,使得周期三因子线性回归中对环比序列的解释率极低,大部分指数R2小于15%;
对比: 同比序列滤波后周期信号更稳定,有较高信噪比,使周期三因子模型能够取得更优拟合;
结论: 采用同比序列作为周期特征变量基础,更适合周期状态的挖掘和资产收益的预测,而非直接使用环比序列。–
核心内容: 多数资产收益率分布具有显著偏度,非对称分布使得均值作为未来表现判断依据时存在偏误,资产实际表现优于或劣于均值的概率不均等。
数学解析: 给出偏度情况下资产表现优于均值资产的概率计算,证实概率性判断优于依赖确定性期望的判断。
实际意义: 因此,采用概率形式的Softmax预测模型更能反映真实收益排序概率,提升预测有效性。
技术细节补充:
模型结构: 采取历史数据训练模型θ参数,完成概率预测,输出排序概率,用于资产配置决策。
图1(报告第2页): 传统资产配置模型与华泰金工量化模型对比,华泰模型引入市场周期和资产同比序列周期状态,依托周期三因子定价与机器学习实现动态资产收益排序。
图2(第4页,美林钟): 展示经济周期四阶段对应GDP和CPI状态,以及资产类轮动路径,直观体现大类资产与宏观周期的联动逻辑。
表3(第6页): 周期三因子回归结果,标普500等主要指数拟合优异,验证该模型在全球市场的周期解释能力。
图4-6(第7-9页): 逻辑回归示例证明其较线性回归更适合处理资产涨跌的二分类问题,输出概率更有金融解释力。
表7(第10页): 沪深300指数不同领先和滞后期同比增加值与未来收益率的相关性,支持多期特征指标同时引入提升预测能力。
图11(第13页): Softmax回归方法流程图,说明历史数据训练、特征选择、分类标签构建及预测输出过程。
表14-15(第17-18页): 指标有效性测试结果,领先1期、当期及滞后1期、5期特征最为有效,准确率指标均显著高于随机基准。
表17-20(第19页): 仿真测试显示Softmax模型预测准确率与周期信号可解释方差正相关,支持模型有效性理论。
表22-25(第21-23页): 全球股债指数单模型及集成模型回测,集成模型在收益和风险控制表现最佳,显著优于基准及单指标策略。
表27-30(第24-26页): 全球大类资产等权指数回测,集成模型提高收益表现,验证方法在宏观资产类别配置中的应用。
表32-35(第27-30页): 中国市场主要大类资产回测,集成Softmax模型收益显著,最大回撤与基准接近,持续显示优越性。
表36-38(第29-30页): 2018年下半年资产表现概率预测,债券类资产表现优势明显,股票和大宗商品受相对压制,验证模型在市场预测应用的当前指引。
图40-46(第33-35页): 环比序列频谱及拟合低效,揭示高频噪声破坏预测准确性,强调采用同比序列和机器学习方法的必要性和优势。
本报告主要聚焦于周期状态评估和量化资产配置策略,对公司或单一标的的传统估值未作涉及,估值方法集中于周期三因子模型和机器学习架构下资产表现的概率排序分析;
通过概率模型对资产收益排序进行优化,实现超越简单均值收益驱动下的资产配置决策,体现为更优风险调整收益指标(夏普率等)提升。
周期长度估计偏差: 虽实证历史超过百年,但每轮周期具体长度短期内难定,存在估计误差;
历史规律失效: 资产收益周期的历史规律或因宏观经济结构变化、政策调控等不可预测因素失效;
模型假设限制: 模型假定周期形态稳定且适用于不同市场,使用时需注意其潜在偏差和特定市场的特殊性;
机器学习模型敏感性及过拟合风险: 先行指标选择过拟合可能影响预测稳定性,报告通过集成学习方法进行缓解,但仍需关注模型适用范围和样本充分性。
市场短期波动及政策冲击: 对周期状态判定造成影响,表现为实际波动和预测即期表现偏差。
报告认知到美林时钟在新兴市场存在适用性不足,提出周期三因子模型为改进,但后三者对实际周期复杂性和非线性影响仍未完全涵盖,存在一定简化可能;
机器学习模型利用概率预测克服线性方法的局限,但所采用的数据频率(月度)、样本长度限制,可能限制模型捕获高频市场结构变化;
先行指标选择差异表明模型对输入变量敏感,不同市场及资产类别中需个性化调整,表明周期模型非“放之四海皆准”;
未来周期外推假设季同期性质稳定,宏观冲击、非周期性事件影响可能使预测失真;
风险提示及附录深入分析提高了说明的严谨性,但对模型实际执行的说明尚欠深入,特别资本市场环境快速变化对模型适应性的评估。
本篇报告从宏观择时经典模型美林时钟出发,引入用信号处理方法提炼全球金融经济系统62年、100月、和200月三大周期,构建周期三因子资产定价模型,显著提升市场周期状态的定量测度能力。继而创新地运用机器学习中的Softmax多分类回归模型,实现对资产周期状态与未来收益排序概率的非线性挖掘,对比传统确定性收益预期模型,通过概率视角映射更真实的未来表现可能性。
图表和数据充分论证了周期三因子同比序列在全球主要市场中高达到70%及以上的历史解释力,而对环比序列高频噪声影响巨大,反映了同比序列选择的合理性。基于Softmax回归及其集成学习的多期同比指标组合,实证回测于全球股债细分资产、大类资产指数及中国主要大类资产,均取得显著优于等权基准以及单指标策略的年化收益提升,夏普比率和最大回撤控制效果均得到改善,验证了蚀机器学习方法的普适适用性与有效性。
2018年5月至12月资产周期状态外推及收益概率预测则量化反映了债券资产在短期投资配置上的显著优势,彰显本模型在宏观经济环境快速变化中的预测指引能力。风险提示充分提示了周期长度估计或历史规律失效的潜在影响,为投资者提供审慎的工具使用边界。
综上,本报告通过深度融合经济周期理论、先进数据科学和资产配置实践,提出了建立在周期三因子与机器学习上的资产收益概率排序预测体系,开拓了以概率视角指导动态资产配置的新路径,具有理论与实践双重价值,且对当前行业及市场环境具备较强适应力与应用潜力。
(本文中各结论或数据均标注了对应页码,如等,便于内容追溯。)
【华泰金工】周期系列12:周期理论与机器学习资产收益预测20180529.pdf