Dynamic Investment Strategies Through Market Classification and Volatility: A Machine Learning Approach
基于市场分类与波动率的动态投资策略：机器学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以波动率划分市场状态并驱动组合配置，直接对应金融波动率；状态转移预测不足以归类为明确的收益预测研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于市场分类与波动率的动态投资策略：机器学习方法
- 研究问题
- 如何利用市场波动状态及其转移预测调整组合配置，并比较动态配置与等权、最小方差等传统策略的历史样本表现？
- 方法与思路
- 作者用 K-means 划分十个波动状态，再以带 Dirichlet 先验和 Gibbs 抽样的贝叶斯马尔可夫切换模型预测转移并调整配置。
- 材料陈述的贡献
- 摘要称，在两组资产中动态组合取得更高风险调整收益和总收益，优于多数静态方法；该优势是作者报告的实验结论。
- 阅读关注点
- 应核对状态划分是否仅使用当时可得信息、转移预测的样本外设计，以及交易成本、调仓频率和收益比较的统计依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未说明资产构成、样本期或成本，历史结果不能确认未来收益表现。
原文摘要
This study introduces a dynamic investment framework to enhance portfolio management in volatile markets, offering clear advantages over traditional static strategies. Evaluates four conventional approaches : equal weighted, minimum variance, maximum diversification, and equal risk contribution under dynamic conditions. Using K means clustering, the market is segmented into ten volatility-based states, with transitions forecasted by a Bayesian Markov switching model employing Dirichlet priors and Gibbs sampling. This enables real-time asset allocation adjustments. Tested across two asset sets, the dynamic portfolio consistently achieves significantly higher risk-adjusted returns and substantially higher total returns, outperforming most static methods. By integrating classical optimization with machine learning and Bayesian techniques, this research provides a robust strategy for optimizing investment outcomes in unpredictable market environments.