《The Journal of Finance and Data Science》:RMSE-triggered rebalancing for deep learning-guided portfolio optimization
编辑推荐:
研究人员探讨了机器学习和深度学习模型在提高预测准确性方面与在交易成本约束下其转化为实现投资组合绩效之间有限的差距。为了弥合这一差距,研究人员提出了一种均方根误差(RMSE)触发的再平衡框架,该框架将预测可靠性与投资组合调整决策联系起来。使用来自VN-100股票
研究人员探讨了机器学习和深度学习模型在提高预测准确性方面与在交易成本约束下其转化为实现投资组合绩效之间有限的差距。为了弥合这一差距,研究人员提出了一种均方根误差(RMSE)触发的再平衡框架,该框架将预测可靠性与投资组合调整决策联系起来。使用来自VN-100股票样本的每日数据,研究人员首先针对传统自回归积分滑动平均(ARIMA)基准评估了N-BEATS的收益预测能力。结果表明,N-BEATS比ARIMA提供了更准确和稳定的预测,因此其预测结果被整合到带预测的均值-方差(MVF)和带预测的均值绝对偏差(MADF)投资组合优化模型中。所提出的框架使用RMSE作为基于预定义阈值的触发器:仅当实现的预测误差超过所选阈值时,投资组合才会被重新优化。在交易成本设置下,使用多种收益、风险、换手率和回撤指标评估投资组合绩效。实证结果表明,RMSE触发的再平衡可以通过减少不必要的投资组合调整来提高净投资组合绩效,同时保持对实质性预测偏差的响应。MVF从中等RMSE阈值中获益最大,该阈值平衡了收益响应与交易成本控制,而MADF在不太频繁的再平衡下表现出更大的鲁棒性。该研究受限于其对RMSE的关注、单一比例交易成本假设以及受限的资产范围。未来的研究应检查替代的误差度量、更丰富的成本结构和更广泛的资产类别。该研究的贡献在于将RMSE作为预测可靠性的诊断工具和成本感知再平衡的操作触发器。
投资组合优化是现代金融的基石,指导投资者在资产间分配财富以平衡收益与风险。自Markowitz提出均值-方差(MV,一种最大化给定方差水平下的预期收益或最小化给定预期收益下的方差的框架)以来,大量文献致力于通过引入替代风险度量、预测建模和实际约束来完善投资组合构建。尽管取得了这些进展,但预测的统计准确性与实施的经济可行性之间的矛盾仍然是核心挑战。金融市场表现出显著的非平稳性和非线性动态,依赖历史均值或参数假设的传统模型存在局限。尽管长短期记忆(LSTM,一种能够捕捉时间依赖关系的递归神经网络)和N-BEATS等机器学习与深度学习架构能够捕捉资产收益的复杂模式并提高预测准确性,但将预测指标的提升转化为实际投资绩效并非易事。此外,基于预测的策略常导致频繁再平衡,而买卖价差、佣金和流动性约束等交易成本会显著侵蚀收益。忽略这些摩擦会导致对策略绩效的过度乐观评估。现有成本感知方法通常通过交易成本惩罚、协方差变化检测或惰性更新机制来控制交易,但较少关注使用可观测的预测误差度量作为投资组合再平衡的直接触发器。因此,亟需开发能明确将预测信号与成本感知决策规则对齐的投资组合优化框架。针对这一背景,研究人员开展了将预测性能与投资组合再平衡直接联系的研究,并在《The Journal of Finance and Data Science》上发表了相关论文。该研究的开展具有重要意义,它为弥合统计预测进步与经济上可行的投资组合绩效之间的差距提供了一种新颖且实用的途径。
在关键技术方法上,研究人员利用由VN-100股票指数样本构建的数据集,采用基于深度学习的N-BEATS模型生成股票收益预测,并使用自回归积分滑动平均(ARIMA,一种通过时间序列的过去观测值和误差项之间的线性关系进行建模的数据驱动预测方法)模型作为基准。N-BEATS架构由组织成堆栈的全连接块序列组成,通过残差信号的迭代传递逐步细化预测。ARIMA模型由自回归算子、移动平均算子和差分阶数构成。将预测结果整合到带预测的均值-方差(MVF,一种将预测收益纳入均值-方差分配过程的优化模型)和带预测的均值绝对偏差(MADF,一种将预测收益纳入均值绝对偏差框架并以绝对偏差衡量风险的优化模型)投资组合优化模型中。MVF模型在考虑交易成本时,引入了买入和卖出比例以及缩放因子。MADF模型利用辅助变量表示投资组合收益的绝对偏差,并通过约束线性化绝对值算子。在样本队列来源方面,研究数据来源于越南VN-100股票指数样本,包含2015年1月至2024年12月的日度收盘价数据,经过筛选最终保留了涵盖金融、房地产等主要行业的50只证券。核心方法为均方根误差(RMSE)触发的再平衡机制,该机制使用RMSE作为预定义阈值触发器,仅当实现的预测误差超过设定阈值时,才对投资组合权重进行重新优化。在数据预处理上,研究采用滑动窗口方法捕捉短期市场动态,即使用前20个交易日的收益作为输入序列预测次日收益。
在研究结果方面,通过不同维度的实验得出以下结论:
Results of stock return forecasting
研究使用平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)三个评估指标对N-BEATS和ARIMA模型进行测试。结果表明,N-BEATS在所有指标上均实现了比ARIMA更低的预测误差,N-BEATS记录的平均MAE、MSE和RMSE值分别为1.51 × 10
-2、4.32 × 10
-4和2.07 × 10
-2,而ARIMA的对应值为2.11 × 10
-2、9.92 × 10
-4和3.15 × 10
-2。N-BEATS还表现出更低的标准差,表明其在越南股票市场环境中提供了更准确、更一致的单期收益预测。基于此,N-BEATS的预测被用作后续投资组合优化模型的收益预测输入。
Portfolio optimization results excluding transaction costs
在不包含交易成本的设定下,研究人员评估了MVF和MADF模型的各项指标,包括平均超额收益(MER)、超额收益标准差(SDER)、信息比率(IR)、累积收益(CR)、换手率(TR)和最大回撤(MDD)。
对于MVF模型,研究发现其性能对RMSE阈值高度敏感。极低的阈值(如2.0 × 10
-2)导致频繁再平衡和相对较高的收益,但交易强度较高;高阈值(≥ 3.6 × 10
-2)降低了交易活动但累积收益较弱。中间阈值2.8 × 10
-2产生了最高的MER、IR和CR,在盈利能力和风险控制之间取得了有效平衡,且通过HAC t检验验证其显著优于单期策略。
对于MADF模型,该模型在最低阈值下表现不佳,产生负的MER和IR。随着阈值增加,性能显著改善。单期优化提供了最强的风险调整性能,其IR达到1.1229。结果表明MADF模型对阈值选择高度敏感,更适合于交易强度降低且优先考虑稳定性的长期投资策略。
Portfolio optimization results including transaction costs
在引入0.25%的比例交易成本后,研究进一步引入了交易成本(TC)和净累积收益(NetCR)两个指标。
对于MVF模型,结果揭示了再平衡频率与净绩效之间的明确权衡。最低阈值导致高额交易成本并大幅减少NetCR。中等阈值(2.8 × 10
-2)仅通过八次再平衡实现了最高的总收益和最高的NetCR。Newey-West检验表明该阈值下的NetCR显著优于单期策略。这表明适中的再平衡频率在捕捉预测信号和控制交易费用之间取得了最佳平衡。
对于MADF模型,MADF模型对交易摩擦下的再平衡频率表现出明显的敏感性。最低阈值导致极高交易成本并使NetCR为负。中等阈值(2.8 × 10
-2至3.6 × 10
-2)将交易成本降低至1.5%至3.0%,产生了正的NetCR。尽管3.2 × 10
-2的NetCR较高,但Newey-West检验表明其与单期策略的差异在统计上不显著。结果表明,如果交易强度得到适当控制,MADF模型可以产生具有竞争力的净绩效。
在讨论与结论部分,研究人员总结了通过RMSE触发的再平衡框架检验预测准确性在投资组合优化中的整合。作为预测评估,N-BEATS提供了更准确和稳定的收益预测。实证结果表明,通过将RMSE作为再平衡的动态阈值,该模型在预测嘈杂时成功减少了不必要的换手率,同时在预测信号可靠时保持响应。研究发现,MVF受益于中等的RMSE阈值,在收益最大化与成本效率之间取得平衡;而MADF由于其线性风险惩罚,在较少频率的再平衡下表现出鲁棒性。这些发现证实,将预测误差指标直接整合到再平衡规则中,提供了一种将统计预测准确性与经济可行性对齐的实用机制。该研究为弥合统计预测进步与经济上可行的投资组合绩效之间的差距提供了一种新颖且实用的途径。通过动态地将预测可靠性与再平衡强度联系起来,该方法为在日益复杂的金融市场中制定更具适应性和成本意识的投资策略奠定了基础。