融合情绪信息与预测驱动的投资组合优化——基于替代风险度量与战略性商品多元化

《Research in International Business and Finance》：Sentiment-informed forecast-driven portfolio optimization with alternative risk measures and strategic commodity diversification

　　

•开发了一种结合情绪信息的预测驱动型资产配置框架。
•对比了七种替代风险指标和布莱克 - 利特曼（BL）模型下的预测驱动型投资组合。
•评估了商品多元化在美国行业交易所交易基金（ETF）投资组合中的作用。
•表明最佳风险指标取决于特定投资者的风险 - 收益偏好。

引言
近年来，由于 COVID-19 大流行、地缘政治冲突、供应链中断以及货币政策的快速转变，全球金融市场的不确定性显著加剧（Wu 等，2023）。这些发展加剧了资产类别之间的波动率溢出，并对传统投资组合分散策略的有效性构成了挑战，特别是在市场压力期间（Lang 等，2023，Bhattacherjee 等，2024）。在此类环境中，投资者和组合经理越来越需要能够应对不断演变的市场动态和变化的风险条件的自适应和前瞻性配置框架（Behera 和 Kumar，2025a，Manish 和 Chahal，2026）。与此同时，越来越多的证据表明，商品和部门资产的分散和避险效益具有高度的制度依赖性，在平静和动荡的市场条件下差异巨大（Bhattacherjee 等，2024）。因此，构建具有韧性的投资组合不仅需要更广泛的跨资产分散，还需要更复杂的方法，能够动态整合预测性市场信息、异质性风险偏好和时间变化的资产互动。

传统的投资组合优化框架，特别是 Markowitz（1952）开创的均值 - 方差（MV）模型，由于其对风险 - 收益权衡的直观处理，仍然是现代金融的基础。然而，该模型严重依赖预期回报率和方差的估计值，这使得投资组合配置对估计错误和市场条件的变化高度敏感（Michaud，1989，Best 和 Grauer，1991）。此外，金融收益往往表现出非正态性、厚尾、波动率聚集和制度转变，限制了方差完全捕捉投资风险的能力。在正常市场条件下看似稳定的分散效益在市场压力期间也可能恶化，因为资产相关性增加且下行风险加剧。这些局限性促使开发了替代风险指标和更具适应性的投资组合构建框架，能够更好地捕捉下行暴露、尾部风险和不断演变的市场条件（Bawa，1975，Jorion，1997，Rockafellar 等，2000，Chekhlov 等，2005，Ahmadi-Javid，2012，Banerjee 等，2024b）。尽管如此，经验证据表明，没有单一的风险指标在各种市场、资产类别和投资环境中始终保持主导地位，因为投资组合绩效往往会随着市场条件和投资者偏好的变化而变化（Righi 和 Borenstein，2018，Stankovi? 等，2020，Ramos 等，2023）。此外，尽管在下行和尾部风险建模方面取得了进展，大多数投资组合优化框架仍然依赖历史平均回报作为预期回报的代理。这种向后看的方法可能会平滑演变的市场动态，并限制投资组合适应快速变化的金融环境的能力（Behera 和 Kumar，2025a，Behera 和 Kumar，2025b）。

为了应对这些历史估计的脆弱性，人工智能（AI）的近期整合通过启用自适应、数据驱动和风险意识的投资策略，彻底改变了投资组合优化（Wang 等，2024）。特别是，机器学习（ML）和深度学习（DL）模型可以捕捉金融变量之间的非线性关系、时间依赖性和复杂互动，从而提高回报可预测性和配置效率（Chen 等，2024，Behera 和 Kumar，2025a）。最近的研究越来越多地将预测性回报预测整合到投资组合优化框架中，并一致报告其绩效优于仅依赖历史回报估计的策略（Ma 等，2023a，Ma 等，2023b，Behera 等，2023，Behera 和 Kumar，2025b，Penayo 等，2025）。然而，大多数现有研究在单一预定义的风险指标下评估预测驱动型投资组合，通常是方差、在险价值（VaR）或条件在险价值（CVaR），这提供了有限的证据来解释预测信号如何与不同的市场制度下的替代风险规格相互作用。

与此同时，越来越多的研究强调投资者情绪和行为信息在解释金融市场动态和短期回报波动方面的重要性（Jiang 等，2022，Banerjee 等，2024c，Nguyen 等，2025，Manish 和 Chahal，2026）。尽管基于情绪的指标越来越多地用于金融预测研究，但它们整合到投资组合优化和资产配置框架中的程度仍然相对有限。大多数先前的预测驱动型投资组合研究主要依赖历史市场信息（Behera 等，2023，Ma 等，2023a，Wang 等，2024，Behera 和 Kumar，2025a，Behera 和 Kumar，2025b，Penayo 等，2025），只有有限的一部分纳入了技术指标（Chen 等，2021，Du，2022）。因此，情绪驱动的行为指标、基于深度学习的回报预测和比较替代风险投资组合优化的联合整合在文献中仍未得到充分探索，限制了我们理解预测性行为信号如何转化为风险敏感配置结果的认识。

除了预测考量之外，另外两个维度仍然是实际投资组合管理的核心，却很少在预测驱动的配置框架内被联合考察。首先，尽管布莱克 - 利特曼（BL）模型提供了一个灵活的贝叶斯框架来结合市场均衡回报与投资者观点（Black 和 Litterman，1992），但这些观点的设定通常依赖于主观判断。最近的研究越来越多地倡导用数据驱动的基于机器学习和深度学习的预测来取代酌情预期，以提高投资组合的稳定性和适应性（Barua 和 Sharma，2022，Barua 和 Sharma，2023，Hung 等，2024）。尽管如此，关于在相同预测设置下比较预测增强的 BL 投资组合与替代风险投资组合框架的证据仍然有限。其次，虽然商品避险的制度依赖性已有充分记录，但现有研究通常关注特定的商品类别或孤立的资产对，而不是在统一的投资 Portfolio 框架内考察多个商品部门（Akhtaruzzaman 等，2024，Banerjee 等，2024a）。此外，尽管先进的时频连通性框架表明，在主要宏观经济干扰期间，冲击传播渠道会在商品子部门之间动态转移，但这些见解仍然主要局限于描述性连通性分析，而非投资组合配置应用（Wu 等，2023，Bhattacherjee 等，2024）。当考虑投资组合构建时，通常使用传统的基于方差的优化方法在相对狭窄的资产范围内进行评估（Lang 等，2023）。因此，关于异质性商品类别如何与预测信号和替代风险指标相互作用以塑造投资组合绩效、分散效益和下行风险韧性的证据有限。这一局限性尤为相关，因为已知分散效益会随市场制度而变化（G?kg?z 等，2025）。

针对这些差距，本研究提出了一种预测驱动的投资组合优化框架，在统一的配置设置中整合了基于深度学习的回报预测、替代风险指标和商品多元化。该框架评估了七种基于风险的优化模型和一个增强的 BL 规格，其中投资者观点由回报预测内生生成。利用美国行业交易所交易基金（ETF）和涵盖能源、金属和农业的多种商品类别，本研究系统地考察了预测信号、风险偏好和异质性商品暴露如何影响正常和危机市场制度下的投资组合韧性和风险调整后绩效。

本研究以几种重要方式对文献做出贡献。首先，通过将情绪信息驱动的回报预测整合到替代风险投资组合模型的比较框架中，它扩展了预测驱动的投资组合优化研究。其次，与专注于单一风险规格或单一市场环境的先前研究不同，我们在危机和正常市场制度下评估了多种预测驱动的投资组合策略的绩效，为预测性配置框架在不断变化的市场条件下的稳健性提供了新证据。第三，本研究系统地比较了使用相同预测回报输入的预测驱动替代风险投资组合和修正后的 BL 框架，从而阐明了它们的相对绩效和稳定性。最后，通过构建多种 ETF - 商品投资组合配置，本研究为能源、金属和农业商品在动态投资组合配置策略中的制度依赖性分散和风险缓解作用提供了新见解。

本文其余部分组织如下。第 2 节回顾了关于替代风险指标、预测驱动资产配置和商品多元化的文献。第 3 节描述了样本数据，而第 4 节介绍了方法框架，包括预测模型、投资组合优化技术、相应的评估指标和整体研究框架。第 5 节报告并分析了实证发现，包括预测绩效和投资 Portfolio 结果。最后，第 6 节总结了关键结果，讨论了其含义，并概述了局限性和未来研究方向。附录中提供了补充材料，包括呈现符号列表、缩写和符号的表 A.1，以及额外的表格和补充图表。

章节摘要
替代风险指标和投资 Portfolio 优化
传统的投资组合优化框架长期以来一直依赖基于方差的指标来量化金融风险并构建有效投资组合（Markowitz，1952，Stuart，1959）。然而，日益增长的市场复杂性、不对称的收益行为以及极端金融事件发生频率的增加，引发了人们对仅靠方差能否充分捕捉下行暴露和尾部风险的担忧（Best 和 Grauer，1991，Sortino 和 Price，1994，Rockafellar 等，2000）。

数据集
本研究考虑了九个代表主要标普 500 行业指数的美国 SPDR 行业 ETF 和十二个涵盖三个商品类别（能源、金属和农业）的商品期货，每个类别中选择四种商品。这种多元化的资产宇宙允许通过捕捉股票市场和商品市场之间的互动来全面考察投资组合绩效。在每个商品类别中，根据其经济预测模型选择四种代表性商品。

预测模型
与预测驱动投资组合优化的最新发展保持一致（Ma 等，2023b，Behera 等，2023，Behera 和 Kumar，2025b），我们采用了一系列多样化的机器学习、深度学习和混合深度学习模型来生成前瞻性的资产回报预测。预测框架包括传统机器学习算法，即线性回归（LR）、随机森林（RF）和支持向量回归（SVR）；递归深度学习架构，包括门控循环单元（GRU）、长短期记忆（LSTM）、双向 GRU（BiGRU）和双向预测结果。

预测结果
表 7 报告了在两种市场条件下（高波动和正常）21 项资产的样本外平均预测绩效。总体而言，传统机器学习模型（LR、RF 和 SVR）表现出比深度学习模型更高的 MAE 和 RMSE 值以及更低的 DA，表明其预测绩效相对较弱。相比之下，基于 RNN 的架构在两种市场制度下均一直优于机器学习基准，突显了捕捉的重要性。

结论
本研究考察了结合替代风险指标和战略商品配置的情绪信息驱动、预测驱动的投资组合优化框架能否提高投资组合绩效。基于 ETF 和商品分散效益的证据（Wu 等，2026，Lang 等，2023），通过结合行业 ETF 与能源、金属和农业商品期货构建了多种投资组合配置。由生成的回报预测

CRediT 作者贡献声明
Manish：写作 – 审阅与编辑，写作 – 初稿，软件，方法论，调查，形式分析，数据管理，概念化。
Rishman Jot Kaur Chahal：写作 – 审阅与编辑，验证，监督，资源，方法论，调查，资金获取，形式分析，概念化。

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢
我们感谢印度理工学院罗尔基分校（IIT Roorkee）的赞助研究与工业咨询中心（SRIC）通过资助项目 FIG-100914 提供的慷慨财政支持。

Manish 是印度理工学院（IIT）罗尔基分校 Mehta 家族数据科学与人工智能学校的博士研究生。他获得了 IIT Roorkee 的数学硕士学位和德里大学的数学理学学士学位（荣誉）。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中的应用，重点放在投资组合优化和时间序列
Manish|Rishman Jot Kaur Chahal