DOI: https://doi.org/10.1109/access.2025.3624822
تاريخ النشر: 2025-01-01
المؤلف: Yiyao Zhang وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تقدم البحث RegimeFolio، وهو إطار مبتكر لتحسين المحفظة المالية يتناول التحديات التي تطرحها الأسواق المالية غير المستقرة التي تتميز بتقلبات أنظمة التقلب. غالبًا ما تفشل طرق تحسين المحفظة التقليدية في التكيف مع هذه التغيرات بسبب اعتمادها على الاستقرار أو الافتراضات غير المتعلقة بالنظام. يتميز RegimeFolio من خلال دمج تقسيم أنظمة التقلب بشكل صريح مع التنبؤ الجماعي الخاص بالقطاعات واستراتيجية تخصيص ديناميكية تعتمد على المتوسط والانحراف. يتكون الإطار من ثلاثة مكونات رئيسية: (i) مصنف يعتمد على VIX لاكتشاف أنظمة السوق، (ii) متعلمون جماعيون مصممون لتناسب أنظمة وقطاعات محددة، و(iii) مُحسّن ديناميكي يستخدم تقديرات التباين المنتظمة لتحديد قرارات التخصيص.
تظهر التقييمات التجريبية لـ RegimeFolio على 34 سهمًا كبيرًا في الولايات المتحدة من 2020 إلى 2024 فعاليته، حيث حقق عائدًا تراكميًا قدره 137%، ونسبة شارب تبلغ 1.17، وتقليصًا بنسبة 12% في الحد الأقصى للانخفاض، بالإضافة إلى تحسين بنسبة 15-20% في دقة التنبؤ مقارنة بالمعايير التقليدية. تؤكد هذه النتائج قدرة الإطار على تعزيز المتانة واتخاذ القرارات في ظروف السوق الديناميكية. يبرز البحث أهمية دمج اعتماد حالة السوق لتحسين إدارة المحفظة ويحدد اتجاهات البحث المستقبلية، بما في ذلك توسيع الإطار ليشمل عوالم متعددة الأصول واستكشاف طرق تحسين بديلة وقيود التنفيذ.
مقدمة
تسلط مقدمة الورقة الضوء على عدم الاستقرار المتزايد في الأسواق المالية، الذي تفاقم بسبب الصدمات الاقتصادية الكلية، والتوترات الجيوسياسية، والتغيرات في سلوك المستثمرين. أثبتت تقنيات إدارة المحفظة التقليدية، التي تعتمد على العلاقات الإحصائية المستقرة، عدم كفاءتها خلال الأزمات مثل جائحة COVID-19 وفترات التضخم المرتفع. غالبًا ما تفشل أساليب التعلم الآلي (ML) الحالية في التنبؤ بالتقلبات وتحسين المحفظة في أخذ تغييرات الأنظمة والاختلافات القطاعية في الاعتبار، مما يؤدي إلى تنبؤات غير متوافقة وتخصيصات غير مستقرة. لمعالجة هذه التحديات، يقترح المؤلفون RegimeFolio، وهو إطار تعليمي هرمي مدرك للنظام مصمم لتحسين المحفظة الديناميكية.
يجمع RegimeFolio بين تقسيم أنظمة التقلب بشكل صريح باستخدام VIX من بورصة شيكاغو للخيارات (CBOE)، ونماذج التنبؤ الجماعي الخاصة بالقطاعات، ووحدة تحسين المتوسط والانحراف المشروطة بالنظام (MVO). يسمح هذا التصميم باستراتيجيات تخصيص تكيفية تتماشى مع الطبيعة غير المستقرة وغير المتجانسة للأسواق المالية. يعزز الإطار الاستقرار تحت التحولات التوزيعية، ويعكس الاستجابات القطاعية للصدمات الاقتصادية الكلية، ويحافظ على القابلية للتفسير والكفاءة الحسابية. تظهر التقييمات التجريبية على البيانات اليومية من 34 سهمًا كبيرًا في الولايات المتحدة (2020-2024) تحسينات كبيرة في دقة التنبؤ والعوائد المعدلة للمخاطر مقارنة بأسس التعلم الآلي غير المتعلقة بالنظام، مما يبرز إمكانيات الأساليب المدركة للنظام والمتخصصة في القطاع في ظروف السوق المتقلبة. تشمل المساهمات الرئيسية إطار تحسين المحفظة الجديد، وتقسيم النظام الفعال، والتحقق التجريبي من ديناميات القطاع عبر أنظمة السوق المختلفة.
طرق
في هذا القسم، يوضح المؤلفون التقييم التجريبي لإطار تحسين المحفظة المدرك للنظام، باستخدام بيانات سوق الأسهم الأمريكية من 2020 إلى 2024. تشمل مجموعة البيانات أحداث سوقية هامة، بما في ذلك أزمة COVID-19 والتعافي اللاحق، وتضم 34 سهمًا كبيرًا عبر سبعة قطاعات اقتصادية. يهدف هذا الاختيار إلى تقليل تحيز البقاء من خلال التركيز على مكونات S&P 500 التاريخية ويشمل عوائد الإلغاء لتعكس سيناريوهات استثمار واقعية. يعتمد تصنيف أنظمة تقلب السوق على VIX من CBOE، الذي يعمل كبديل للخوف وعدم اليقين في السوق، مما يسمح بفهم دقيق لديناميات السوق.
يستخدم المؤلفون منهجية الديناميكية المتدحرجة لتصنيف أيام التداول إلى ثلاثة أنظمة تقلب، مما يظهر تفوقها على العتبات الثابتة والربعية. يحقق نهج terciles توزيعًا متوازنًا للملاحظات (420/420/420) ويتفوق على الطرق الأخرى عبر مقاييس رئيسية، بما في ذلك نسبة شارب تبلغ 1.17، مقارنة بـ 0.94 للعتبات الثابتة و1.06 للربعية. بالإضافة إلى ذلك، يظهر نهج terciles خطأ مطلق متوسط (MAE) أقل وخطأ جذر متوسط مربع (RMSE)، مما يثبت فعاليته في تصنيف الأنظمة ويعزز دقة التنبؤ. تؤكد هذه التحقق التجريبي على المزايا العملية لنهج terciles، مما يضع أساسًا قويًا لتحسين أداء المحفظة في ظروف السوق المتغيرة.
نقاش
تسلط قسم النقاش في الورقة الضوء على التقدم في التعلم الآلي (ML) والبيانات المالية عالية التردد التي أثرت بشكل كبير على نمذجة المحفظة. يستعرض ثلاثة مجالات حيوية: نمذجة أنظمة التقلب، وتحليل هيكل السوق، وتخصيص المحفظة المدفوع بالتعلم الآلي. يشير المؤلفون إلى أنه بينما توفر هذه المجالات رؤى قيمة، إلا أنها غالبًا ما تعمل في عزلة، مما يحد من فعاليتها في ظروف السوق الديناميكية. تحدد الورقة الفجوات في المنهجيات الحالية، لا سيما نقص التكامل عبر هذه المجالات، وتقترح إطارًا هرميًا مدركًا للنظام يسمى RegimeFolio لمعالجة هذه القيود.
في سياق نمذجة أنظمة التقلب، يؤكد المؤلفون على نجاح نماذج التعلم العميق في التنبؤ بالتقلبات ولكن يشيرون إلى تحيزاتها الجوهرية بسبب افتراض الاستقرار. يجادلون بأن النماذج الحالية غالبًا ما تفشل في أخذ الانقطاعات الهيكلية وانتقالات الأنظمة في الاعتبار، مما يؤدي إلى أداء ضعيف خلال الفترات خارج التوزيع. تنتقد الورقة أيضًا الأساليب التقليدية لنمذجة هيكل السوق، مثل الشبكات العصبية الرسومية (GNNs)، لعدم قدرتها على التكيف مع التغيرات الزمنية. يهدف إطار RegimeFolio المقترح إلى التغلب على هذه القضايا من خلال اعتماد نهج مزدوج يتضمن تفكيك على مستوى القطاع ومصفوفات تباين مشروطة بالنظام، مما يعزز المتانة وقابلية التفسير لتحسين المحفظة.
يخلص المؤلفون إلى أن التجزئة المستمرة في طرق تحسين المحفظة المدفوعة بالتعلم الآلي تقوض متانتها، خاصة خلال ضغوط السوق. يدعون إلى نهج أكثر تكاملاً يعترف بأنظمة التقلب والديناميات الخاصة بالقطاعات، وهو ما يسعى RegimeFolio لتحقيقه بالضبط. من خلال شرط كل من عمليات التنبؤ والتخصيص على إشارات النظام، يعزز الإطار التكيف والاستقرار في أداء المحفظة، مما يلبي في النهاية الحاجة الملحة لأدوات اتخاذ قرارات مالية قوية ومدركة للسياق.
DOI: https://doi.org/10.1109/access.2025.3624822
Publication Date: 2025-01-01
Author(s): Yiyao Zhang et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research presents RegimeFolio, an innovative portfolio optimization framework that addresses the challenges posed by non-stationary financial markets characterized by fluctuating volatility regimes. Traditional portfolio optimization methods often fail to adapt to these changes due to their reliance on stationarity or regime-agnostic assumptions. RegimeFolio distinguishes itself by integrating explicit volatility regime segmentation with sector-specific ensemble forecasting and a dynamic mean-variance allocation strategy. The framework comprises three key components: (i) a VIX-based classifier for market regime detection, (ii) ensemble learners tailored to specific regimes and sectors, and (iii) a dynamic optimizer that employs shrinkage-regularized covariance estimates for allocation decisions.
Empirical evaluation of RegimeFolio on 34 large-cap U.S. equities from 2020 to 2024 demonstrates its effectiveness, achieving a cumulative return of 137%, a Sharpe ratio of 1.17, and a 12% reduction in maximum drawdown, alongside a 15-20% improvement in forecast accuracy compared to conventional benchmarks. These results underscore the framework’s ability to enhance robustness and decision-making in dynamic market conditions. The study emphasizes the importance of incorporating market state dependency for improved portfolio management and outlines future research directions, including the extension of the framework to multi-asset universes and the exploration of alternative optimization methods and execution constraints.
Introduction
The introduction of the paper highlights the increasing instability of financial markets, exacerbated by macroeconomic shocks, geopolitical tensions, and shifts in investor behavior. Traditional portfolio management techniques, which rely on stable statistical relationships, have proven inadequate during crises such as the COVID-19 pandemic and periods of high inflation. Existing machine learning (ML) approaches to volatility forecasting and portfolio optimization often fail to account for regime changes and sectoral differences, leading to misaligned forecasts and unstable allocations. To address these challenges, the authors propose RegimeFolio, a hierarchical, regime-aware ML framework designed for dynamic portfolio optimization.
RegimeFolio integrates explicit volatility regime segmentation using the Chicago Board Options Exchange (CBOE) VIX, sector-specific ensemble forecasting models, and a regime-conditioned mean-variance optimization (MVO) module. This design allows for adaptive allocation strategies that align with the non-stationary and heterogeneous nature of financial markets. The framework enhances stability under distributional shifts, captures sector-specific responses to macroeconomic shocks, and maintains interpretability and computational efficiency. Empirical evaluations on daily data from 34 large-cap U.S. equities (2020-2024) demonstrate significant improvements in predictive accuracy and risk-adjusted returns compared to regime-agnostic ML baselines, underscoring the potential of regime-aware, sector-specialized approaches in volatile market conditions. Key contributions include a novel portfolio optimization framework, effective regime segmentation, and empirical validation of sector dynamics across different market regimes.
Methods
In this section, the authors detail the empirical evaluation of their regime-aware portfolio optimization framework, utilizing U.S. equity market data from 2020 to 2024. The dataset encompasses significant market events, including the COVID-19 crisis and subsequent recovery, and includes 34 large-cap equities across seven economic sectors. This selection aims to mitigate survivorship bias by focusing on historical S&P 500 constituents and incorporates delisting returns to reflect realistic investment scenarios. The classification of market volatility regimes is based on the CBOE VIX, which serves as a proxy for market fear and uncertainty, allowing for a nuanced understanding of market dynamics.
The authors employ a dynamic rolling-tercile methodology to classify trading days into three volatility regimes, demonstrating its superiority over fixed and quartile thresholds. The terciles approach achieves a balanced distribution of observations (420/420/420) and outperforms the other methods across key metrics, including a Sharpe ratio of 1.17, compared to 0.94 for fixed thresholds and 1.06 for quartiles. Additionally, the terciles method exhibits lower mean absolute error (MAE) and root mean square error (RMSE), validating its effectiveness in regime classification and enhancing forecasting accuracy. This empirical validation underscores the practical advantages of the terciles-based approach, establishing a robust foundation for improved portfolio performance in varying market conditions.
Discussion
The discussion section of the paper highlights the advancements in machine learning (ML) and high-frequency financial data that have significantly impacted portfolio modeling. It reviews three critical domains: volatility regime modeling, market structure analysis, and ML-driven portfolio allocation. The authors note that while these areas provide valuable insights, they often operate in isolation, which limits their effectiveness in dynamic market conditions. The paper identifies gaps in existing methodologies, particularly the lack of integration across these domains, and proposes a hierarchical, regime-aware framework named RegimeFolio to address these limitations.
In the context of volatility regime modeling, the authors emphasize the success of deep learning models in forecasting volatility but point out their inherent biases due to the assumption of stationarity. They argue that existing models often fail to account for structural breaks and regime transitions, leading to poor performance during out-of-distribution periods. The paper also critiques traditional market structure modeling approaches, such as Graph Neural Networks (GNNs), for their inability to adapt to temporal changes. The proposed RegimeFolio framework aims to overcome these issues by employing a two-pronged approach that incorporates sector-level disaggregation and regime-conditioned covariance matrices, enhancing the robustness and interpretability of portfolio optimization.
The authors conclude that the persistent fragmentation in ML-driven portfolio optimization methods undermines their robustness, particularly during market stress. They advocate for a more integrated approach that recognizes volatility regimes and sector-specific dynamics, which is precisely what RegimeFolio aims to achieve. By conditioning both forecasting and allocation processes on regime signals, the framework enhances adaptability and stability in portfolio performance, ultimately addressing the critical need for robust, context-aware financial decision-making tools.