数说资产配置研究系列之三：机制转换视角下的资产配置，机器学习能否协助决策？-20210223-申万宏源-26页.pdf

机制转换视角下的资产配置研究本期投资提示：机器学习在资产配置中的使用：可观测的基本面逻辑配合隐藏的非线性信息。机制转换模型的应用基础是资产背后存在不可直接观测的“隐藏状态”。不同隐藏状态下资产的收益特征不同，例如2018年A股的波动明显高于2017年、收益低于2017年，如果能识别到隐藏状态，则可以通过隐藏状态下不同的资产表现特征来指导配置决策。单资产的“拐点”识别：灵敏度较低，前瞻性不足。经过针对A股指数的测试，模型能对历史状态有较好的拟合，能够将2015-2016年的大级别波动与其他时段进行区分，也能区别2017、2018年的市场状态，但模型的“前瞻性”不足：在资产运行中仅能区分差异非常大的状态间的转换，较难识别当下可能迅速发生的变化，模型用于复盘相对更合适。多资产的隐藏状态转换：提示转换可能，选资产能力优于动量。在多资产配置、行业配置层面，存在隐藏状态的可能性较高，通过判断当前所处的隐藏状态与哪些历史时段类似，模型可帮助选择相似的历史时段下表现较好的资产进行配置，同时也可提示当前状态与前期出现变化的可能性大小，模型的选择效果强于动量的选择效果。宏观状态转换识别：拟合能力优于预测能力，多变量识别可解释性差。机制转换模型的另一大使用领域是在宏观数据上——单一宏观变量状态的识别和多宏观变量隐藏状态的判断。单一变量上，模型的拟合作用远大于预测效果；而在多变量的判断中，虽然模型相比于时钟可以纳入更多变量，但模型的可解释性、稳定性都较差，根据测试，基于我国宏观数据的识别整体效果不佳。机器学习在资产配置中的使用：可观测的基本面逻辑配合隐藏的非线性信息。从机制转换模型的案例来看，非线性的建模识别方法在应对价格数据上具备优势，而在应对逻辑性较强的宏观数据上，预测的可解释性、稳定性都随着模型复杂程度的提升而大大减弱，我们将《重塑资产配置“时钟”：经济预期与宏观流动性》中的时钟观点与机制转换对资产收益的观点结合，组合收益有所提升。因此在未来的使用中，当资产数量较多、可能的隐藏信息较多、基本面情况难以掌握时，机器学习方法可以提升效率、帮助捕捉非线性信息，从而与定性、逻辑更直接的分析结合使用。风险提示：模型根据历史数据构建，历史表现不代表未来，市场环境发生巨大变化时模型可能失效。机制转换视角下的投资策略可以分为三部分：第一部分是资产收益分布的机制转换视角，第二部分是“拐点”识别，第三部分是基于宏观数据的机制转换。机制转换模型可以用于识别资产的隐藏状态，从而指导配置决策。但是，模型的拟合能力优于预测能力，需要结合基本面逻辑和市场环境的变化来使用。机器学习方法可以帮助捕捉非线性信息，并与定性、逻辑更直接的分析结合使用。但是，模型的可解释性、稳定性都随着模型复杂程度的提升而大大减弱，需要SMALL注意模型的使用场景和限制。机制转换模型可以在资产配置中发挥重要作用，但需要注意模型的使用场景和限制，并与基本面逻辑和市场环境的变化结合使用。