量化策略年报 | 基于风险预算与机器学习模型的资产配置策略

首发于2018年12月3日

作者：华泰期货研究院 罗剑、陈维嘉、杨子江、石雨婷、张纪珩

▌摘要

如果你有多空观点，不知道如何分配权重，那么本文将可以提供一些帮助！

本文首先介绍了大类资产配置理论的历史沿革，将大类资产配置理论划分为基础恒定策略与量化模型策略，并在此基础上引入了风险平价模型和风险预算模型。

本文第二部分系统性的介绍了风险平价模型，通过使组合内各资产对组合的风险贡献相同构建风险平价模型，可以有效提高组合的风险收益属性。同时分析对比风险平价模型相较于传统60/40模型的优势，以及市场上风险平价策略相关的著名基金。随后，在全球ETF市场进行了实证分析，指出风险平价模型在组合波动率和最大回撤控制上的优势，但同时也发现风险平价模型在面临组合资产收益率下行、或者发生尾部风险时的不足，为解决风险平价模型以上的两大不足，从而进一步引出融入机器学习算法的风险预算模型。

本文第三部分介绍了用于生成投资者资产涨跌预测的机器学习算法。本文选用常用于金融资产涨跌预测的支持向量机模型，以部分技术指标以及宏观因子对ETF资产进行涨跌预测，并结合贝叶斯优化进行超参数选取。

本文第四部分为风险平价模型提升后的风险预算模型。风险预算模型通过机器学习算法预测资产的涨跌调节各资产对组合的风险贡献比例，预测上涨的资产上调风险权重，预测下跌的资产下调风险权重。这样既避免了组合资产收益率下行的问题，也一定程度上缓解了尾部风险。同时对机器学习使用到的因子基本检验和压力测试，结果显示通过机器学习结果调整后的风险预算模型在继承风险平价模型低波动率、低最大回撤的同时，大幅提高了组合的收益率。最后本文也对风险平价模型以及对照组合进行了压力测试，结果显示风险平价模型的尾部风险较小。

本文第五部分在国内的商品期货市场展开实证，除了利用机器学习的预测算法作为风险预算模型输入项，还可与主观预测观点相结合，通过选取2017年商品市场作为回测案例，验证了主观观点风险预算模型在收益率下行以及高波动率情况下的有效性。最后本文根据华泰期货研究院对2019年商品市场资产涨跌的主观预测判断，给出了2019年风险预算模型下的商品市场资产配置的具体权重比例建议。

▌风险提示

报告回测与分析，基于历史数据，过去业绩不代表未来绩效；基本面风险；流动性风险；模型估计风险

免责声明