用于新型波动率预测的智能投资组合优化系统（基于机器学习）

为何更聪明的投资至关重要

任何见证过储蓄随股市起伏的人都知道，大幅亏损带来的痛苦往往超过温和收益带来的愉悦。本文探讨了一个对普通投资者和大型机构同样重要的问题：我们能否利用现代人工智能构建不仅能长期增长、而且在多国范围内更能抵御剧烈下跌的投资组合？

从经典理论到数据驱动的机器

传统投资组合理论可追溯到20世纪50年代的哈里·马科维茨，教导投资者通过在不同资产间分散资金来平衡风险与回报。过去十年，基于深度学习和强化学习的更复杂方法承诺能从金融数据中挤出额外收益。然而，这些新方法常常难以解释、运行成本高，并且难以在多种市场之间取得一致的信任。关键在于，大多数方法侧重于预测收益，而专业风险管理者更为关心回撤——即投资过程中从峰值到谷底的最大损失规模。

关注市场的痛点，而不仅仅是市场收益

作者将注意力从短期收益预测转向对损失严重程度的预测。他们研究了40个股票市场，从美国、德国等发达经济体到巴西、南非等新兴市场，覆盖1999年至2018年这20年时期。对每个国家和年份，他们计算了广泛使用的风险调整绩效指标：夏普比率（单位总体风险的收益）、斯特林比率（相对于过去平均损失的收益）和卡尔玛比率（将年度收益与最严重回撤直接关联）。随后，这些比率被归入简单的“高”“中”“低”三类，以表示从风险—回报角度看某一市场的吸引力或脆弱性。

智能系统的运作原理

在系统内部，所提出的方法由谨慎的数据处理和一种称为多类支持向量机（multi‑SVM）分类器的结构化机器学习模型构成。首先，团队清洗并重整来自彭博社的二十年股票数据，剔除错误条目、填补短期缺口，并规范化尺度，以便对小型市场与大型市场进行公平比较。接着，他们设计了能概括每个市场行为的特征，包括最高价、最低价、平均股价、波动率、年度收益以及滚动三年回撤等。这些特征成为多个SVM子模型的输入，每个子模型专注于一个关键比率，并都使用非线性核以捕捉风险与回报之间的复杂联系。随后通过一个融合步骤，将子模型的置信度汇总为对某一国家年度应归入高、中或低质量风险调整类别的单一判断。

将预测转化为投资组合选择

为了检验该智能系统是否真正有益于投资者，作者进行了一个长期的历史“假如”实验。每年，他们假想构建一个全球投资组合，对系统标为高质量的市场给予额外权重，对中等市场给予中性权重，对低质量市场则降低权重。他们将结果与三种知名基准进行比较：简单的市场模型（CAPM）、等权重全球投资组合以及法马—弗伦奇提出的流行三因子模型。在1999–2018年期间，multi‑SVM 指导的投资组合实现了最高的累计收益、最小的最差损失和最强的夏普比率。该分类器本身大约97.5%的时间能正确将市场放入风险—回报类别，这显著优于单一SVM和基础朴素贝叶斯模型。

这对投资者与未来意味着什么

对非专业读者而言，关键结论是作者并未发明一个新的黑箱交易机器人；相反，他们谨慎地结合了现有工具，聚焦于投资者最为恐惧的——长期且大幅的损失。通过将模型以回撤相关指标为中心并保持相对透明的结构，他们提供了一种实用的方法来指导全球投资组合权重，这比许多深度学习系统更易解释，同时在表现上仍具竞争力。研究表明，通过智能地按风险调整健康状况对市场进行分类，而不仅仅追逐原始收益，可以构建更稳健增长、遭受冲击更轻的投资组合，从而在动荡市场中带来更舒适的投资体验。

引用: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

关键词: 投资组合优化, 金融波动率, 金融中的机器学习, 风险管理, 全球股票市场