“该策略使用随机森林模型根据预期回报和波动率确定股票权重。投资组合在市场回报和无风险资产之间进行配置，每月重新平衡。”
资产类别: 差价合约、ETFs、基金、期货 | 地区: 美国 | 周期: 每月 | 市场: 债券、股票 | 关键词: 机器学习
I. 策略概要
该策略将复杂的数学公式与随机森林模型结合使用。投资范围包括两种资产：市场回报和肯尼斯·弗伦奇数据中的无风险回报。股票权重由两个项的最小值决定：预期回报除以预期波动率，并乘以相对风险厌恶系数4，或常数项1.5，最大值为1.5。剩余的投资组合分配给无风险资产。预期回报值是超额回报的混合，概率来自随机森林。波动率使用过去回报的标准差估计，并通过回归森林进行优化。投资组合每月重新平衡。
II. 策略合理性
在无风险利率和市场回报之间轮换的策略依赖于识别最佳市场条件。与使用过去回报或趋势跟踪的传统方法不同，机器学习模型能够更准确地预测未来回报并避免过拟合。这种成功预测回报并根据预期波动率调整绩效的能力使该策略获利。机器学习还有助于通过选择最佳回溯期来预测风险，从而适应不断变化的波动率。虽然机器学习模型可能很复杂，但使用随机森林等算法是有利的，因为与决策树等简单模型相比，它们更不容易过拟合。
III. 来源论文
Machine Learning Portfolio Allocation
- Michael Pinelis and David Ruppert, Department of Economics, Cornell University, Department of Statistics & Data Science and School of Operations Research and, Information Engineering, Cornell University
<摘要>
我们发现，在市场指数和无风险资产之间进行投资组合配置时，使用机器学习可以获得经济和统计上显著的收益。时变预期回报和波动率的最优投资组合规则通过两个随机森林模型实现。一个模型用于预测包含派息收益率在内的宏观经济因素的月度超额回报。第二个模型用于估计当前的波动率。机器学习的收益-风险时机选择在效用、风险调整回报和最大回撤方面比买入并持有策略有显著改进。本文提出了一个统一的机器学习框架，应用于回报和波动率时机选择。
IV. 回测表现
| 年化回报 | 16.54% |
| 波动率 | 10.9% |
| β值 | N/A |
| 夏普比率 | 1.5 |
| 索提诺比率 | |
| 最大回撤 | N/A |
| 胜率 | 45% |
