Dynamic Investing strategy with nowcasting
FIND-A의 final project로 진행된 프로젝트입니다. 대략적인 구성은 다음과 같습니다.
- Investment Universe 지정
- Macroeconomic 데이터를 활용한 Nowcasting machine learning 모형 개발
- 추정된 국면을 이용한 목표 수익률 지정
- 목표 수익률과 추정된 연간 자산군 사이의 공분산을 이용한 Portfolio 제작
- Nowcasting view를 이용한 Black Litterman Optimization 수행
- 성과 분석
투자 자산으로는 다음과 같은 자산을 추가하였습니다.
Stocks
- Low Volatility
- Market Beta
- Momentum
- KOSPI200 Future
Bond
- Korea 10Y
Currencies
- KRW/USD
- KRW/JPY
Commodities
- Gold
- Silver
- Crude Oil
- Zinc
- Banana
- Rice
- Wheat
Foreign
- Nikkei 225
- Dow Jones
각 자산군의 계층별 리스크를 고려한 Inverse PCA 상관관계는 다음과 같습니다.
먼저, 다중회귀모형을 이용하여 유의한 변수를 선택합니다
CPI와 수출액 변동율을 이용하여 경기 국면을 labeling 합니다
- CPI<0.04, 수출증가율>0 : 호황
- CPI<0.04, 수출증가율<0 : 후퇴
- CPI>0.04, 수출증가율>0 : 회복
- CPI>0.04, 수출증가율<0 : 불황
Random Forest 분류기를 이용해 test기간의 경기국면을 예측합니다
Random Forest 분류기를 사용하면 다음과 같이 특성 중요도 또한 확인이 가능합니다
- 목표 수익률 : Train 기간(2001/01 - 2018/09) 경기국면별 평균 수익률 + 20%
- Covariance Matrix : 투자시점 기준 과거 1년간의 추정치 사용
- Expected Return: 0.0691
- Risk (Standard Deviation): 0.0219
- Yearly Sharpe Ratio: 1.5527
- Max MDD: -0.1048
- CAGR: 0.0617