Cross-asset market transmission and spillovers研报解读

概览

Morgan Stanley将其QAML机器学习框架从选股扩展至跨资产市场传导。报告认为，跨资产市场状态能够帮助区分后续较强与较弱的风险调整后结果，而组合多期限信号提供了最稳健的投资组合实施方式。

核心观点

报告探讨的是，一个市场的当前状态是否能够为另一个市场的后续表现提供有用信息，而不只是市场是否共同波动。它对每个目标资产分别应用AdaBoost框架，使相关源市场、阈值和方向可以随目标资产和预测期限而异。样本涵盖股票、固定收益、短期利率、外汇远期、商品和信用六类资产中的116项资产，并使用来自13个流动性较高源市场的221项信号。输入变量包括1、3、6和12个月波动率调整收益率、动量和趋势指标、相对历史区间的价格位置、尾部行为和波动率状态指标。 对于每项目标资产，Morgan Stanley分别训练1、3、6和12个月远期已实现夏普比率模型。结果相对于各资产扩展计算的远期夏普比率中位数，被划分为较强或较弱。模型使用扩展时间序列窗口，只有在至少获得60个合格月度观测值后才开始训练，并仅在远期结果完全实现后才加入新观测值。模型将每个样本外得分校准为相对于该资产长期预期夏普比率的预期远期夏普比率，因此最终信号反映当前跨资产环境对某一资产而言在历史上是否优于或弱于常态。 回测显示，四个期限均有持续表现。2013年2月至2026年7日期间，等权重平均1/3/6/12个月多空信号实现3.7% CAGR、5.2%年化波动率、0.71的净成本后CAGR/波动率比率，以及(8.6%)最大回撤。相对于等权重全球资产池和逆波动率资产池，其信息比率分别为0.81和0.79。1个月信号是表现最强的单一期限，CAGR为2.7%、波动率为4.0%、比率为0.68；3、6和12个月信号的风险调整后表现也保持为正。Morgan Stanley认为，组合多个期限能够捕捉以不同速度传导的信息，并降低对单一预测窗口的依赖。 作者检验结果是否依赖于模型设定。将特征集缩减为52个波动率调整收益信号后，组合策略的CAGR/波动率比率降至0.62，低于完整221项信号基准的0.71，表明技术性市场状态指标在收益率之外增加了信息。使用完整信号集、直接以条件预期远期夏普比率进行排序的替代校准方法，实现3.9% CAGR和0.75的CAGR/波动率比率。Morgan Stanley将这种直接校准描述为互补的、更广义的跨资产配置设定；基准方法则更具战术性，因为它衡量的是相对于各资产长期常态的预期夏普比率。 多头和空头组合在完整样本期内均作出正贡献，但多头组合是更大且更持续的收益驱动因素，空头组合则以更阶段性的方式贡献价值。敞口与收益贡献显著不同：波动率调整后，短期利率主导多头组合的名义总敞口，外汇远期主导空头组合。然而，股票和外汇远期是长期策略收益的主要贡献来源；尽管短期利率的名义权重较大，其收益贡献相对有限。六类目标资产在完整样本期内均有正贡献，但主导地位随时间变化。 受约束组合测试在采用相同波动率调整前施加固定资产类别配置。这降低了外汇远期和短期利率的自然集中度，并扩大了股票、固定收益、商品和信用的配置占比。个别期限在约束下的结果明显走弱，但平均信号仍保持正的净成本后表现：3.4% CAGR、5.1%波动率、0.66的CAGR/波动率比率，以及相对于两个全球基准分别为0.72和0.68的信息比率。作者认为，这一韧性支持多期限设定，因为平均化不仅降低了对传导速度的敏感性，也降低了对信号所通过的资产类别组合的敏感性。 传导分析显示，商品和固定收益是大多数目标资产类别的主导信息来源。对于股票，布伦特原油6个月和12个月波动率调整收益率上升在历史上与后续表现走弱相关，而铜的3个月动量增强则与更好的表现相关。对于固定收益，布伦特原油12个月动量上升在历史上与后续表现增强相关，而日元6个月动量增强与后续表现走弱相关。对于短期利率，美国2年期国债相对252日低点的距离扩大与更强表现相关，而标普500接近其252日高点则与较弱表现相关。对于外汇远期，布伦特原油动量增强与后续表现走弱相关，而黄金和纳斯达克价格位置指标与更好表现相关。 对于商品和信用，前端利率、股票和商品信号均在自身市场动量之外增加信息。具体而言，在信用领域，布伦特原油12个月动量增强与后续信用表现走弱相关，而Euro-Schatz价格位置和区间信号增强与更好表现相关。Morgan Stanley强调，这些并非固定的单向规则：同一源信号对不同目标可能具有不同、包括非线性的含义。因此，报告的核心结论是，跨资产溢出构成动态、目标特定且状态依赖的信息网络，而非某一市场始终领先另一市场的简单层级关系。

分析框架

Morgan Stanley使用扩展历史样本和基于百分位的市场状态，构建资产特定的AdaBoost分类器。模型将输出转化为具有经济含义的远期夏普比率预期，按月对资产排序，持有前20%并做空后20%，实施逆波动率仓位调整和一个营业日的执行滞后，并在固定交易、展期及保证金成本假设下评估结果。随后，报告测试了替代特征集和校准方法、受约束的资产类别配置、收益归因以及源市场信号重要性。

方法论与常识提炼

• 其他

  采用扩展时间序列训练窗口的AdaBoost机器学习分类

  模型依次组合简单分类器，识别在历史上能够区分每项目标资产未来较强和较弱风险调整后表现的源市场状态。

• 量化/因子/组合理论夏普/信息比率

  远期已实现夏普比率校准与相对基准信息比率

  报告以远期已实现夏普比率标记结果，将模型得分校准为预期夏普比率，并相对于等权重和逆波动率全球资产池基准评估策略表现。

• 量化/因子/组合理论多因子模型

  多期限跨资产信号集成

  策略组合独立的1、3、6和12个月预测，使以不同速度传导的信息能够共同构成投资组合信号。

关键数据

• 目标资产池116 assets across six asset classes涵盖股票、固定收益、短期利率、外汇远期、商品和信用。
• 源市场与信号13 source markets; 221 candidate signals信号结合风险调整收益率与技术性市场状态指标。
• 平均信号表现3.7% CAGR; 5.2% annualised volatility; 0.71 CAGR/volatility; (8.6%) maximum drawdown2013年2月至2026年7月，已扣除实施成本。
• 平均信号信息比率0.81 vs global equal-weighted universe; 0.79 vs global inverse-volatility universe基于回归的相对基准表现衡量指标。
• 替代直接校准3.9% CAGR; 5.2% annualised volatility; 0.75 CAGR/volatility使用完整信号集，并直接按条件预期远期夏普比率排序。
• 受约束平均信号3.4% CAGR; 5.1% annualised volatility; 0.66 CAGR/volatility在波动率调整前施加固定资产类别目标权重。

影响与含义

Morgan Stanley的研究结果支持以目标特定、状态依赖的方式看待跨资产信息，而非依赖广泛相关性或固定方向关系。报告倾向于采用组合多期限的实施方式，因为该信号在替代设定及显著不同的资产类别配置结构下均保持为正。

后续跟踪

• 各资产类别内部的信号重要性是否会因地域而显著不同。
• 信号排名在替代权重方案（包括基于排名的方法）下是否保持稳定。
• VAR基础的领先—滞后分析是否能够捕捉与模型非线性溢出关系互补的信息。