将行为洞察与量化金融相结合:基于人工智能的Black–Litterman框架及技术面与情绪面信号分析
《Research in International Business and Finance》:Bridging behavioral insights and quantitative finance: AI-powered Black–Litterman framework with technical and sentiment signals
【字体:
大
中
小
】
时间:2026年02月11日
来源:Research in International Business and Finance 7.6
编辑推荐:
马尼什·里什曼、乔特·考尔、查哈尔·梅赫塔,印度北阿坎德邦哈里德瓦尔市鲁尔基印度理工学院数据科学与人工智能学院,邮编247667,印度
摘要:本研究旨在将量化金融与行为经济学相结合,利用人工智能技术将高质量的市场情绪信息纳入投资组合优化之中。它评估了黑-利特曼资产配置模型的表现
马尼什·里什曼、乔特·考尔、查哈尔·梅赫塔,印度北阿坎德邦哈里德瓦尔市鲁尔基印度理工学院数据科学与人工智能学院,邮编247667,印度
摘要:本研究旨在将量化金融与行为经济学相结合,利用人工智能技术将高质量的市场情绪信息纳入投资组合优化之中。它评估了黑-利特曼资产配置模型的表现,同时加入了基于先进深度学习模型得出的投资者观点。这些模型分别以三类数据集为训练基础:源自美国行业ETF历史价格的技术数据集、来自Refinitiv MarketPsych Analytics的数据集所包含的情绪数据集,以及二者结合的混合数据集。所提出的框架用数据驱动的预测取代主观专家意见,从而提升零售投资者的可操作性。投资组合根据深度学习预测的价格进行每日再平衡,并考虑不同市场环境下的交易成本及风险厌恶程度。研究结果表明,当采用结合混合数据集且风险厌恶系数为1的模型时,其表现显著优于仅依赖技术数据集、情绪数据集或传统基准模型的情况,这体现了结合技术指标与情绪信号在生成投资观点方面的优势,也凸显了其在追求增长型策略中的有效性。在正常市场环境下,基于技术数据集和情绪数据集的投资组合在风险调整后的绩效指标上表现相当;但在高波动市场中,基于技术数据集的投资组合平均而言表现更佳。本研究主张,在动态市场环境中,采用基于混合数据集、经深度学习强化且风险厌恶系数较低的黑-利特曼模型是一种稳健的策略,既能为零售投资者提供实用指导,也为政策制定者如何运用人工智能提升金融决策水平带来启示。
引言:人工智能领域的飞速发展对金融市场产生了深远影响,机器人顾问、投资自动化以及金融科技等领域正在推动股票市场预测和投资组合管理方面的研究进展(Ozbayoglu等人,2020年;Gao等人,2024年)。人工智能的这一变革推动了复杂模型与技术的出现,这些工具正在改变传统的投资策略,使得资产配置和风险管理手段更加精准(Saif-Alyousfi,2025年)。马科维茨在1952年提出了投资组合理论,为现代投资组合管理奠定了基础,该理论注重在风险与收益之间寻求平衡,为投资者提供最优的资产配置方案。然而,这一理论也存在一些缺陷,正如Michaud在1989年所指出的,仅依靠历史数据估算样本均值会大幅增加模型的误差概率。Best和Grauer在1991年发现,该模型对样本均值的波动较为敏感。He和Litterman在2002年以及Litterman在2003年进一步指出,该投资组合往往过度关注某些特定资产。由于存在高度集中且不稳定的投资组合,加之未能考虑资产的市值权重,均值-方差投资组合理论对基金经理而言并不实用(Bera和Park,2008年;Avramov和Zhou,2010年)。
Fischer Black和Robert Litterman通过引入黑-利特曼模型解决了这些局限,该模型运用贝叶斯定理将市场均衡收益与投资者观点相结合(Black和Litterman,1992年)。这种方法具有诸多优势,尤其是通过将资本资产定价模型中的市场均衡理论与投资者对资产收益的观点相融合,提升了资产配置的灵活性。此外,由于其不局限于特定资产,且基于投资者独特的见解,因此参数敏感性较低。据Lee在2000年的研究显示,黑-利特曼模型能有效解决均值-方差优化中固有的估计误差问题。这类资产配置模型尤其受到那些能够获取其他市场参与者难以获得的资讯或视角的主动型资金管理人的青睐。因此,开发多种用于生成投资观点的方法仍是一个重要的研究领域,也是投资组合管理领域持续探讨的热点话题(Fernandes等人,2012年;Silva等人,2017年)。
现代投资组合管理越来越依赖预测模型来优化资产配置,但这些模型必须能够准确预测资产特征,以适应现实市场的动态变化(Kara等人,2019年;Rezaei等人,2021年;Behera等人,2023年)。过去,研究人员多采用传统的计量经济方法,如ARIMA、GARCH及其变体,来预测黑-利特曼模型所需的投资者观点(Beach和Orlov,2007年;Palomba,2008年;Duqi等人,2014年;Arisena等人,2018年)。然而,L?ngkvist等人在2014年以及Baek和Kim在2018年指出,传统统计技术在处理多维度、复杂且噪声较多的时间序列数据时显得力不从心。随着计算能力和数据获取条件的快速发展,各种机器学习及深度学习模型因具备处理高维数据的能力而逐渐流行起来,被广泛应用于生成黑-利特曼模型中的观点向量(Li等人,2020年;Shen和Shafiq,2020年)。不过,诸如支持向量机、装袋法以及人工神经网络之类的机器学习技术,在捕捉长期金融时间序列中的规律方面仍存在不足(LeCun等人,2015年;Bao等人,2017年)。尽管Huang在2012年以及Paiva等人于2019年分别使用支持向量机和遗传算法来预测和筛选有潜力的资产,但这些方法仍无法把握金融时间序列中存在的长期时间关系。正因如此,深度学习模型因其能够处理大规模、高维度的数据集,并捕捉复杂的非线性关系,而成为处理此类问题的热门工具,从而让智能资产配置更加高效(Fischer和Krauss,2018年;Wang等人,2019年)。
另一个影响资产价格走势的重要因素是金融新闻,它在预测股市变化中的作用不容忽视(Creamer,2015年;Yousaf等人,2022年)。传统上,股市走势预测主要依赖于技术分析得出的各类指标。但随着人们对市场情绪重要性的认识日益加深,以及社交媒体的广泛普及,越来越多的研究者开始关注基于情绪分析的指标(Das等人,2018年;Li等人,2020年)。近期,有一些研究尝试将这两类指标结合起来,用于预测金融时间序列(Farimani等人,2022年;Moodi等人,2024年)。
投资者情绪对于黑-利特曼模型中的投资观点而言也至关重要,因为它反映了市场的整体心理状态,这种状态可能导致资产价格偏离其内在价值,从而产生传统指标无法反映的机会或风险(Barua和Sharma,2023年)。将情绪因素纳入考量,可以为形成主观投资观点提供数据支撑,使投资组合能够根据市场情绪的变化进行调整,进而利用由市场行为引发的定价偏差获取收益。但据我们目前所知,除了技术指标之外,尚无研究能够充分整合情绪指标,或是将情绪指标与技术指标相结合,以形成足够可靠的输入数据用于黑-利特曼模型。以往的研究常常用各种技术指标作为投资者情绪的替代品(Kara等人,2019年;Barua和Sharma,2023年),而Hung等人(2024年)则尝试使用经过有限领域定制的通用自然语言处理模型(如BERT)来生成情绪指标。然而,这些方法往往存在明显局限性,比如仅能体现单一维度的信息,无法全面捕捉金融市场情绪的复杂性与多面性,也就难以生成精确的黑-利特曼模型观点,同时还缺乏实现有效资产配置所必需的细节程度和主题针对性。
为填补这一空白,本研究通过充分利用三类数据集来生成黑-利特曼模型观点,从而提供了一种全面且可靠的解决方案。具体而言,我们研究了基于技术数据集(包含历史价格及传统技术指标)、专门的情绪数据集(利用行业标准的Refinitiv MarketPsych Analytics数据集中的高质量、多元化的情绪指标,结合17种不同的情绪特征与历史价格)以及结合了两者优势的混合数据集所驱动的黑-利特曼模型的表现。这种多元化的方法有助于开发出更为精巧、以数据为驱动的方法,将情绪信息转化为可操作的决策依据,从而有可能捕捉到那些单一维度指标或较为简单的自然语言处理模型容易忽略的细微市场信号。
此外,为确保研究结果的稳健性及实际应用价值,我们还在不同的市场波动环境下对比了这些投资组合的表现。我们将新冠疫情之前的时期视为市场条件相对正常的阶段,而将疫情期间视为市场波动极为剧烈的时期(Sharif等人,2020年),因为这一时期对投资组合的表现产生了深远影响。同时,鉴于有实证证据表明,随着经济和金融市场的日益融合,国际行业配置的收益往往高于国家层面多元化配置的收益(Bessler等人,2021年),我们的研究重点是基于美国行业ETF构建投资组合。行业ETF的优势在于成本较低,且允许投资者通过侧重或弱化特定行业来量身打造投资组合(Bhattacherjee等人,2024年)。这些ETF能够代表全球具有影响力的各个行业,借助美国市场作为全球经济核心支柱的地位,以及完善的行业ETF指数体系,为分析不同市场条件下的行业表现提供了坚实的框架。
本研究为现有相关文献做出了以下几方面的贡献。首先,我们通过提出并评估多种深度学习架构,推动了利用深度学习模型进行股价预测的相关研究(Mourtas和Katsikis,2022年;Albahli等人,2023年;Jirou等人,2025年)。这些模型被用于预测我们投资组合中各类资产的股价,研究过程中充分利用了技术数据集、情绪数据集以及二者的混合数据集,在正常市场环境和高波动市场环境下都进行了测试。我们的研究发现,在几乎所有数据集组合和市场环境条件下,GRU模型以及混合型的BiGRU-GRU模型在各项评估指标中的表现始终最为出色。
其次,本研究通过将市场情绪分析纳入股价预测和投资组合构建的过程中,丰富了行为金融学领域的知识体系。此前的研究(Xing等人,2018年;Min等人,2021年;Bouyaddou和Jebabli,2025年)已经强调了投资者情绪在影响股价方面的关键作用,尤其是在市场不确定性较高的时期。我们的研究在已有成果的基础上,系统分析了不同市场条件下的市场情绪影响。我们发现,基于情绪的预测模型在分类任务中,例如趋势预测方面,表现十分出色,尤其是在市场波动相对正常的时期,此时情绪信号与市场走势的契合度更高。不过,在涉及精确价格预测的回归任务中,这类模型的效果则相对有限,因为金融数据本身存在的噪声和非线性特征会给预测带来更大挑战。
最后,我们在黑-利特曼模型中用于生成投资观点的向量估算方法方面取得了重要进展,为投资组合优化领域的研究做出了贡献(Hung等人,2024年;Gao等人,2024年)。我们开发了一种改进版的黑-利特曼框架,用基于深度学习模型的预测结果取代了传统上往往带有主观性的投资者观点。这样一来,就能实现更加以数据为驱动、更具适应性的资产配置策略。该框架会根据多种数据集和市场条件动态调整资产权重,从而确保模型的稳健性。我们严格比较了在此框架下构建的投资组合与各类基准投资组合的表现,结果表明其在风险调整后的收益方面具有明显优势。此外,我们的实施方案还考虑了实际操作中的各种因素,比如计入5个基点左右的交易成本,并采用了动态的每日再平衡策略。该策略要求只投资于当日预期收益为正的行业;如果没有任何行业符合这一标准,我们就选择不进行投资,以此尽量降低不必要的风险。因此,我们的工作架起了传统投资组合优化方法与现代机器学习技术之间的桥梁,为资产配置提供了一种更为灵活、高效且具有实际应用价值的框架。
本研究的结构如下:第二部分回顾了有关改进版黑-利特曼模型及其对应预测方法的现有研究成果。第三部分详细介绍研究方法,包括数据描述、实证分析框架以及各类基准模型。第四部分探讨了实验结果以及模型的稳健性。最后,第五部分对整个研究进行总结。为便于理解,附录中:附录A列出了所有缩写的详细说明,附录B介绍了情绪指标的特征,附录C阐述了技术指标的特征,附录D则对布莱克-利特曼模型中使用的关键变量进行了详细描述。
文献综述
如前所述,本文为现有文献做出了多方面的贡献,主要聚焦于两个核心方面:首先,在方法论层面,通过运用深度学习模型提升了资产价格预测的准确性;其次,通过纳入投资者观点的估算值,有助于构建更优的布莱克-利特曼模型。
多年来,许多研究致力于用投资组合资产的预期收益预测值来替代布莱克-利特曼模型中的观点向量,这些研究采用了多种数据来源。
在本研究中,我们的投资组合构建以10只美国行业交易所交易基金为对象。这些代表全球重要行业的基金选自iShares系列,但由于缺乏相应的情绪数据,通信服务行业未被纳入。这一选择与一些研究结果一致,即投资组合中包含过多资产并不实用,理想的投资组合规模通常在6只左右。
预测结果
本节分析了六种深度学习模型在三种不同数据集——TD、SD和TSD——下的预测表现,测试场景包括市场正常波动情况和高波动情况。通过比较,可以了解各模型的分类能力和回归能力之间的关系、市场波动性对模型效果的影响,以及不同数据集下模型性能的差异。该研究能够准确识别正收益行业,并精准预测资产表现。
结论
本研究将先进的深度学习预测技术融入布莱克-利特曼模型,以数据驱动的分析结果取代主观专家意见,从而提升了该模型的实用性,使其不仅适用于机构投资者,还能被更多人使用。针对不同市场环境下对抗波动性策略的迫切需求,本研究利用TD、SD和TSD数据集训练深度学习模型,用于构建布莱克-利特曼模型中的观点及进行资产预测。
作者贡献说明
马尼什:撰写与编辑、初稿撰写、软件应用、方法论设计、正式分析、数据整理、概念构思、研究实施。里什曼·乔特·考尔·查哈尔:撰写与编辑、结果验证、项目监督、资源协调、方法论设计、研究实施、资金筹集、概念构思。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。马尼什是印度理工学院鲁尔基分校梅塔家族数据科学与人工智能学院的博士研究生,他拥有印度理工学院鲁尔基分校的数学硕士学位以及德里大学的数学专业荣誉学士学位。他的主要研究兴趣包括机器学习、深度学习、强化学习及其在量化金融领域的应用,尤其侧重于投资组合优化和时间序列分析。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号