Wasserstein HMM 提升资产配置稳定性 — 中文摘要
来源: 映翡量化公众号解读 (公众号版原始归档无
publish_time; 原文引述的论文日期为 2026-02-21) 原论文: Explainable Regime-Aware Investing (arXiv:2603.04441, 2026-02-21) 本次归档:raw/articles/202608-wasserstein-hmm-asset-allocation/
问题: 日频跨资产 (S&P 500 / 债券 / 黄金 / 原油 / 美元) 配置中, 传统均值—方差优化对预期收益与协方差的噪声极度敏感, 引发高换手率和交易成本。市场状态本身非平稳但标签需要跨窗稳定, 是 regime-aware 投资落地的两大瓶颈。
方法: Wasserstein-HMM 框架把四个机制串成闭环 —
- 市场特征构造: 状态向量含日收益率 + 60 日滚动波动率 + 20 日滚动平均收益率; 仅用 t-1 及之前信息严格样本外。
- HMM 状态识别: 高斯发射 × 马尔可夫转移, 输出每日状态过滤概率 γ_t,k (而非硬标签)。
- 动态状态数: 不写死 K, 在验证集上比较不同 K 的预测对数似然并按模型复杂度惩罚选 K。
- Wasserstein 模板追踪: 重新估计后用 2-Wasserstein 距离把新高斯匹配到历史"状态模板", 指数平滑更新模板 — 解决 rolling HMM 的标签切换 (label permutation) 问题。 最后把状态概率加权得到的 μ̂, Σ̂ 输入带交易成本惩罚的 MVO。
核心机制: 不是 HMM, 也不是 Wasserstein, 而是 "用预测表现动态控复杂度 + 用概率模型识状态 + 用 Wasserstein 模板保身份稳定" 的组合; 这是降低换手、改善回撤的关键。
实证 (2005–2026 日度, 跨资产):
| 策略 | Sharpe | MaxDD | 平均日换手 |
|---|---|---|---|
| Wasserstein-HMM + MVO | 2.18 | −5.43% | 0.80% |
| KNN + MVO | 1.81 | −12.52% | 56.65% |
| 等权 | 1.59 | −9.87% | — |
| SPX 买入持有 | 1.18 | −14.62% | — |
关键发现:
- KNN 94.13% 天换手 >1%, 93.54% 天换手 >5%; Wasserstein HMM 仅 14.43% / 5.15% — KNN 邻居随日微小变化而突变, 估计不连续, 优化器抖动; HMM 状态持续性 + 模板平滑反而保护了权重。
- 平均有效资产数 3.63 vs 2.07 → HMM 更分散。
- 2025 年"解放日"冲击时模型自动切到"权益压力状态", 砍 SPX 加债券/黄金/美元。
五类隐状态: 均衡风险偏好 / 广泛风险上涨 (股债金齐涨) / 防御 (债券+黄金占优) / 通胀紧缩 (原油美元强、债券弱) / 权益压力 (股跌+黄金债券护盘)。
Take-away: 日频跨资产 regime-aware 配置中, "能否稳定地识别状态" 比 "用更复杂的预测模型" 更重要; 可适应但不混乱是核心设计哲学。
涉及的概念、实体与方法学锚点 — 见 raw/articles/202608-wasserstein-hmm-asset-allocation/ 与 Wasserstein HMM 资产配置框架 (Wasserstein-HMM MVO / Regime-Aware Asset Allocation / Hidden Markov Regime Detection / Wasserstein 模板追踪与标签切换修复 / Rolling HMM Label Permutation Problem 等概念页。