RegimeFolio: A Regime Aware ML System for Sectoral Portfolio Optimization in Dynamic Markets
Yiyao Zhang, Diksha Goel, Hussain Ahmad, and Claudia Szabo
金融市场本质上是非静态的,波动性制度的变化改变了资产共同运动和回报分配。 标准投资组合优化方法通常建立在稳定性或与制度无关的假设之上,难以适应这些变化。 为了应对这些挑战,我们提出了RegimeFolio,这是一个新颖的制度意识和部门专业化框架,与现有的与制度无关的模型(如DeepVol和DRL优化器)不同,它将明确的波动性制度分割与特定部门的集成预测和自适应均值分配相结合。 这种模块化架构可确保预测和投资组合决策与当前市场状况保持一致,从而增强动态市场的稳健性和可解释性。 RegimeFolio结合了三个组成部分:(i)一个可解释的基于VIX的分类器,用于市场制度检测;(二)制度和特定部门的集合学习者(Random Forest,Gradient Boosting)用于捕获条件返回结构;(iii)一个动态均值优化器,具有收缩规则化的协方差估计值,用于制度感知分配。 我们评估2020年至2024年34只美国大盘股的RegimeFolio。 该框架实现了137%的累计回报率,夏普比率为1.17,最大缩减幅度降低了12%,与传统和高级机器学习基准相比,预测准确性提高了15%至20%。 这些结果表明,在预测学习和投资组合配置中明确建模波动率制度增强了稳健性,并导致真实市场中更可靠的决策。
Financial markets are inherently non-stationary, with shifting volatility regimes that alter asset co-movements and return distributions. Standard portfolio optimization methods, typically built on stationarity or regime-agnostic assumptions, struggle to adapt to such changes. To address these challenges, we propose RegimeFolio, a novel regime-aware and sector-specialized framework that, unlike existing regime-agnostic models such as DeepVol and DRL optimizers, integrates explicit volatility reg...