金融工程专题报告:事件驱动在大类资产择时及资产配置中的应用

从择时信号发出频率的角度看,择时系统可划分为两类,其中常用的一个是连续性择时系统,即一个系统在任何时刻均会对资产的未来走势作出看涨看跌的判断,如均线择时系统,不过,连续性择时系统胜率不高但盈亏比较高,需要投资者承受较大的心理压力且一旦失效对资产的配置权重影响较大。

    不同于连续性择时,事件驱动择时并不要求择时系统在任何时候都发出看涨看跌信号,仅当某一特定事件出现时该指标才有意义,其优点在于该类择时信号出现后对未来市场研判的胜率较高,但信号频率偏低,不能将其作为主择时策略,因此事件驱动择时可用于对资产配置权重在一定幅度内的动态调节。

    本文主要从三个维度构建事件驱动策略,包括宏观事件驱动,指标主要涵盖经济增长、通货膨胀以及流动性三个维度;资金与情绪面事件驱动,指标主要涵盖不同机构投资者的资金流以及指数本身的变化;技术形态层面,主要涵盖具有顶底预测意义的技术指标。测试标的考虑五类资产,包括A股、港股、美股、债券以及黄金。

    整体看,我们发现从宏观经济、资金与情绪面以及技术形态层面挖掘事件驱动择时信号是可行的,众多信号的择时胜率较高。但从测试结果看,我们发现多数事件驱动信号在买入方面的预测意义要显著大于对卖出的预测,这可能是因为重要底部的形成,往往需要多方条件,是一个缓慢的过程,从而期间有更多信号可以把握,但顶部的形成往往快速且迅猛,时常超出投资者预期,从而也较难把握,这或许正印证了股市的一句谚语:“会买的是徒弟,会卖的是师傅”。

    将事件驱动指标与连续性的择时系统相融合,并将其运用至大类资产配置模型中。具体来看,我们对以趋势跟踪作为主择时系统的BL模型进行修正,当触发事件驱动择时指标时,在原有配置权重的基础上进行相应的调整,测试表明模型的收益得以提高且风险并未扩大。以二八作为初始权重的BL模型为例,原始BL模型年化收益为5.90%,加入事件驱动择时后提升至6.72%,最大回撤略有扩大,由5.99%扩大至6.47%,但平均250天滚动最大回撤由2.60%减小至2.20%,Calmar比例由2.27提高至3.06,夏普比率从0.80提高至0.98。因此事件驱动指标可以通过改变当前仓位增厚策略收益,同时其具有较好的扩展性,可在原有择时系统的基础上不断加入有效的事件驱动指标。

    风险提示:数量化策略研究主要基于历史数据,可能存在模型设定偏差的风险。