新媒网 · 跨境数据社区

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24

📈กลยุทธ์การบริหารพอร์ตฟอลิโอ "Dynamic Factor Allocation Leveraging Regime-Switching" สัปดาห์ก่อนผมได้มีโอกาสไปพูดในงาน Winter School of Mathematics ที่มหาวิทยาลัยเกษตรศาสตร์ เรื่อง Risk-budgeting portfolio ซึ่งได้พูดถึงการทำ Risk-budgeting กับ Factor Risk Premium โดยผมได้รับการเเชร์ Paper ทื่น่าสนใจจาก Quantopian Community เกี่ยวกับการบริหารจัดการ portfolio เเบบ Dynamic โดยใช้ Regime-Switching จาก Factor Model Feature ต่างๆ ครับ . ก่อนอื่นๆมาพูดถึงภาพรวมการทดสอบก่อนครับ โดย paper นี้จะใช้ Factor-specific features 6 ด้าน โดยใช้ ETF เป็น proxy (Value, Size, Momentum, Quality, Low Volatility, เเละ Growth) รวมถึง Market-environment features เช่น VIX, 2Y Yield เเละ Yield Curve Shape (2-10 Slope) ในการตัดสินใจว่าเป็น Market Regime ใด (Bull/ Bear) เเล้วใช้เป็น Input ใน Black-litterman model ครับ . 📌การระบุ Regime: ▪️จะใช้ Sparse Jump Model (SJM) ในการระบุ Regime ซึ่ง SJM จะมีข้อดี คือ จะมี Penalty Term ในสำหรับการทดเเทนความถี่ของ Regime Shift ซึ่งจะ classify regime โดยจะดู Explanatory Power เเล้วนำมา weight น้ำหนักในการระบุ regimes ซึ่งจะพูดถึงในหัวข้อ ถัดไปครับ ซึ่งในที่นี้จะมีการเปรียบเทียบกับ Regime Identification กับ HMM เเละ K-Mean Clustering ครับ . 📌Weighting เพื่อ classify regime: ▪️โดยใน paper จะใช้ Exponential Weighted Moving Average (EWMA) Active Return, Relative Strength Index (RSI), Stochastic Oscillator %K, Moving Average Convergence/Divergence (MACD)ม Downside Deviation เเละ Active Market Beta ในเเต่ละ Invidual Factor รวมถึง 2-10 Slope, 2Y Yield เเละ adjusted VIX เเละ มาหา explanatory power ผ่าน SJM เพื่อใช้ในการระบุ regime ครับ (weight มาก คือ มี explanatory power สูงตามภาพเเนบ) . 📌Performance ของระบบ เเบ่งเป็น 2 การทดสอบ ▪️Single-factor long-short strategy: จากการนำ active return ในช่วง training (ทั้ง bull/ bear regime) มาทดสอบโดบ Basic การทดสอบดังนี้ Bull regimes, long the factor & short the market Bear regimes, go short the factor & long the market หรือ หากมี long restriction อาจ scale weight สำหรับ long only . สำหรับ position sizing Expected return exceeds +5%, allocate 100% of the portfolio to the factor (long) เเละ short the market. ถ้า the expected return is below −5%, allocate 100% to short the factor เเเละ long the market. ถ้า the expected return lies between −5% and +5%, ให้ scale the allocation ตาม อัตราส่วน . ▪️Multi-Factor portfolio construction strategy: คือ การนำ relative view ของ invidual factor โดยปรับเข้ากับ benchmark portfolio (Equally Weighted (EW) allocation ระหว่าง six style factors, rebalanced quarterly) ใช้ risk aversion parameter = 2.5 . โดยทั้ง 2 ระบบมี Active Return (%). Sharpe Ration, Information Ratio ที่สูงกว่า Benchmark (SPX เเละ EW portfolio) เเละ มี drawdown ที่ต่ำกว่าครับ เนื่องจากมีเพื่อนๆ สอบถามเกี่ยวกับ black-litterman portfolio มามาก ในบทความต่อๆไป จะมาขออัพเดทในด้านนี้ครับ Reference: ▪️ https://arxiv.org/html/2410.14841v1 ▪️ https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3553260 Tea, CQF 30 Dec 24