“该策略投资于标普500指数和3个月期国库券。首先，将每日实现波动率分解为开盘到收盘波动率和隔夜波动率，后者通过隔夜回报的平方估算。每周波动率为五个每日波动率的总和除以5。使用Lasso回归预测波动率，并在标普500与国库券之间配置资产，权重由风险厌恶系数和目标波动率决定，限制在-3到3之间。策略每周重新平衡。”
资产类别：债券、ETF、期货 | 区域：美国 | 频率：每周 | 市场：债券、股票 | 关键词：机器学习，股票指数
策略概述
投资宇宙由标普500指数和3个月期国库券组成。首先，将每日开盘到开盘的实现波动率分解为开盘到收盘波动率和收盘到开盘波动率。对于开盘到收盘波动率，使用Jacod、Li、Mykland和Podolskij (2009)的预均值RV估计器。收盘到开盘波动率则通过隔夜回报的平方估算。因此，最终的每日波动率估计值为开盘到收盘的预均值RV加上隔夜回报的平方。每周波动率定义为五个每日波动率的总和除以5。预测变量是每周波动率，预测因子包括美国股市、期权相关、情绪、宏观经济、全球市场和商品变量（见表1了解完整列表）。通过递归训练Lasso回归，使用500天的数据进行预测，其中400天用于训练，100天用于验证。最后，在标普500（风险资产）和国库券（安全资产）之间进行配置，标普500的权重为w，国库券的权重为(1-w)，其中最优权重等于风险厌恶系数（假设等于3）乘以目标波动率（标普500回报的1年滚动标准差）除以预测的波动率。最优权重被限制在-3到3之间。假设头寸在市场开盘后15秒内建立，每日回报定义为开盘到开盘的回报。策略每周重新平衡。
策略合理性
波动率目标设定旨在当风险较高时降低敞口，当风险较低时增加敞口。因此，它试图在高风险时期保护投资者，并在低风险时期获利。此外，本文提出的波动率目标设定通过准确的机器学习预测得到了改进，相较于过去的实现波动率更加前瞻。因此，投资决策基于前瞻性的预测，而不是后瞻性的观察。最后，该策略的有效性还可归因于机器学习方法本身（Lasso回归），因为它能够进行变量选择，预测结果更加稳健，且过拟合较少。
论文来源
Forecasting Stock Market Volatility and Application to Volatility Timing Portfolios [点击浏览原文]
- Dohyun Chun, 延世大学
- Hoon Cho, 韩国科学技术院 (KAIST)
- Doojin Ryu, 成均馆大学
<摘要>
本研究预测了股票市场波动率，并将其应用于金融中的标准问题，即资产配置。基于机器学习和模型平均化方法，我们整合了驱动因素的预测信息来预测市场波动率。通过各种评估方法，我们验证了这些高维模型相较于标准波动率模型具有更好的预测表现。此外，我们构建了波动率时机投资组合，发现基于高维模型的投资组合在大多数情况下相较于市场具有更高的夏普比率。其中，最小绝对收缩和选择算子（LASSO）产生了最准确的预测，不论预测的时间跨度如何，均能带来出色的投资表现。
回测表现
| 年化收益率 | 14.49% |
| 波动率 | 23.04% |
| Beta | N/A |
| 夏普比率 | 0.63 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
