资产管理中的机器学习是一个越来越受欢迎的领域。许多研究者和资产经理人专注于使用机器学习模块预测回报以建构击败市场的投资组合。

但是，他们常常依赖于简单和静态的市场波动，换句话说，这种预估方式很难应付瞬息万变的股票市场，其结果往往导致投资组合的权重不是最佳选择。

在<The Journal of Finance and Data Science>期刊上发表的一项研究中，美国康奈尔大学的 Michael Pinelis 和 David Ruppert 使用宏观经济数据预测了美国股市的月度普遍波动以及预期回报。此前，相关类型的研究只关注每月的预期回报，或是用简单的线性模型预测这两个组成部分。

作者解释说：“回报风险时机是回报时机和波动时机的结合。回报时机可以通过卓越的预测能力获利，但在预测中往往会忽略掉由高回报所引发的风险，例如，风险调整后会出现较差的业绩。同时兼顾预期回报和波动性的市场时机可以解决单方面预测所存在的缺点。”

配图：使用机器学习对市场指数计算时显示回报风险后的投资者财富

源自：Michael Pinelis 和 David Ruppert

据作者介绍，机器学习是通过利用市场变量之间复杂的非线性关系作出最佳判断，这有助于为使用者提供更精确的预估。随机森林算法是普遍使用的机器学习模块，该算法派生出多个完全独立的‘决策树’并且，由于其允许非线性预测器交互，在性能上也优于线性方法。随机森林预测是一项稳定的预测法，它是基于所有独立‘决策树’预测的平均值，而‘决策树’的预测平均值则完全吻合现行观测标准。

每月重新平衡的投资组合中股票指数的权重与预期超额回报成正比，与波动率平方估测成反比。作者指出：“以这种方式所得的回报风险时机在经济上显著地改善了风险调整后的回报，特别是夏普率增加了28%。” 作者总结道：“总体而言，验证结果表明使用机器学习进行投资组合配置具有绝对的优势。”

文章标题：

Machine learning portfolio allocation

研究团队：

Michael Pinelis; David Ruppert

文章路径：

The Journal of Finance and Data Science （JFDS）

旨在成为金融和数据科学交叉领域研究的前沿杂志。期刊主编由美国宾州州立大学的Huang Jingzhi 教授担任。编委成员包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，包括两位诺贝尔经济学奖获得者Lars Peter Hansen和Robert J. Shiller。

JFDS诚挚欢迎相关领域的学者积极投稿。想了解JFDS更多咨询及投稿事宜请扫码进入相关页面