全球投资策略数据很重要：退出撤资风险

多资产数据科学我们使用更新的数据重新训练了我们的预测回调模型............以及美国盈亏平衡点和大宗商品等新功能许多模型目前认为下个月回调的风险非常低这些模型的当前预测是什么？我们有来自新兴市场和发达市场的全球股票和 10 个本地市场的回调模型。其中许多模型目前预测下个月回调的可能性很小。在我们的发达市场股票模型中尤其如此。为什么模特这么说？对当前预测的最大贡献之一是商品价格的近期发展。这些模型倾向于了解商品价格上涨表明股市即将回调的风险较低的关系。有关模型学习的其他重要关系的更多详细信息，请参阅内部。做他们的工作？在下面的图表中，我们表明，当模型预测较高的回调概率（显示为 z 值）时，股票市场的后续回报较低且回调发生的频率更高。2021 年 9 月 17 日马克麦克唐纳数据科学与分析主管汇丰银行有限公司 mark.mcdonald@hsbcib.com+44 20 7991 5966Shiva Joon 数据科学家汇丰银行+44 20 7991 1356夏洛特·翁数据科学分析师汇丰银行 charlotte.ong@hsbc.com+44 20 7992 5543Max Kettner*，CFA 多资产策略师汇丰银行+44 20 7991 5045邓肯汤姆斯*固定收益和多资产策略师汇丰银行 duncan.toms@hsbc.com+44 20 7991 3025李松珍，CFA欧美信贷策略师汇丰银行 Songjin.lee@hsbc.com+44 20 7991 5259多米尼克·基尼信贷和绿色债券策略师汇丰银行 dominic.kini@hsbcib.com+44 20 7991 5599* 受雇于 HSBC Securities (USA) Inc 的非美国附属公司，且未根据 FINRA 规定注册/合格更高的回调概率往往伴随着更糟糕的股票回报............以及更频繁的回调资料来源：彭博社、Refinitiv Datastream、EPFR、Factset、汇丰银行资料来源：彭博社、Refinitiv Datastream、EPFR、Factset、汇丰银行披露和免责声明本报告必须与披露附录中的披露和分析师证明以及构成其中一部分的免责声明一起阅读。报告出具人：汇丰银行查看汇丰全球研究：https://www.research.hsbc.com从回调风险中撤出数据很重要 多资产●数据科学 2021 年 9 月 17 日2深入了解数据回到回调2019 年 5 月，我们推出了预测回调，我们的模型用于评估股票市场回调的可能性。除了预测全球股票回调可能性的模型外，我们还为十个本地股票市场提供了单独的模型，涵盖新兴市场和发达市场。在所有这些模型中，我们将回调定义为股票指数在 1 个月内收盘低于当前值的情况。这些模型是汇丰全球研究部首次将预测机器学习技术应用于金融市场。这个关于如何将机器学习纳入可自由支配的投资过程的实际例子启发了我们的许多读者为其他市场建立类似的模型。在此版本的 Data Matters 中，我们发布了这些模型的新重新训练版本。在某种程度上，重新训练只是向训练数据集添加更多最新数据的情况。然而，再训练过程还涉及添加我们认为可能有用的新输入特征。有关模型已学习的重要关系的讨论，请参阅本文档的后面部分。更长的培训期当我们最初启动模型时，用于训练模型的时间段于 2014 年 2 月结束。选择这个终点是为了我们可以在训练数据结束时同时拥有验证和测试期。对于这些模型的新迭代，我们将训练数据扩展到 2018 年底。我们现在评估 2019 年全年和 2021 年至今的模型。我们从测试数据集中排除了 2020 年，以避免大流行的异常市场动态。提高性能在表 T1 中，我们在上述测试集上比较了旧模型与新模型的性能。对于新旧模型，我们提供了以下指标的详细信息：准确度、精确度、召回率、F1 分数和接受者-操作者曲线下的面积（“ROC AUC”）。这些都是量化机器学习分类模型重要性的标准指标。如果您有兴趣了解有关这些指标之间差异的更多信息，请向我们询问更多详细信息。然而，就本文而言，重要的一点是这些指标中的每一个都是以更高的值更好的方式计算的。对于每个回调模型的几乎所有性能指标，新模型得分更高。这条规则的例外是巴西、韩国、英国和日本，新模型中的召回率低于旧模型，南非的召回率和 F1 分数在新模型中更差。 多资产●数据科学 2021 年 9 月 17 日3* = 此指标仅针对第 1 类（回调）计算T1。比较我们的回调模型在测试数据上的性能市场模型准确性精确*记起*F1*中华民国全世界老的53%19%30%23%0.42新的62%31%50%38%0.51巴西老的58%55%84%67%0.66新的65%63%72%67%0.66中国大陆老的53%49%46%47%0.58新的66%63%62%62%0.72欧元区（英国除外）老的48%20%53%29%0.57新的79%47%53%50%0.62印度老的45%31%47%37%0.50新的71%57%70%63%0.72日本老的53%33%29%31%0.41新的60%42%26%32%0.40南非老的58%54%90%67%0.59新的59%60%44%51%0.62韩国老的46%45%70%55%0.50新的56%53%63%57%0.58台湾老的44%27%65%38%0.46新的55%33%65%44%0.48英国老的40%31%81%45%0.50新的60%40%62%48%0.58美国老的54%15%20%17%0.36新的69%38%45%41%0.53资料来源：彭博社、Refinitiv Datastream、EPFR、Factset、汇丰银行与后续股权回报的关系与之前版本的回调模型一样，为了比较不同市场的预测，我们首先将模型概率转换为回调概率 z 分数。此 z 分数衡量预测概率高于/低于 50% 的标准差有多少。在图 1 中，我们显示了这些 z 分数与相关股票市场随后 4 周回报之间的关系。此图表中的结果汇总了我们所有的预测回调模型。我们可以清楚地看到，较高的 z 分数往往伴随着股票市场的较差回报。1.更高的回调概率往往伴随着更糟糕的股票回报......2.......以及更频繁的回调资料来源：彭博社、Refinitiv Datastream、EPFR、Factset、汇丰银行资料来源：彭博社、Refinitiv Datastream、EPFR、Factset、汇丰银行 多资产●数据科学 2021 年 9 月 17 日4在图 2 中，我们显示了这些 z 值与回调发生频率之间的关系。我们可以看到，较高的回调概率 z 值往往会更频繁地出现回调。值得注意的是，图 2 中看到的回调的已实现概率都非常低——这是因为我们 2019 年和 2021 年的测试期的特点是股票回报非常强劲且回调不频繁。某些型号的性能优于其他型号在表 T1 中，我们可以看到回调模型对某些市场的效果比其他市场要好得多。如果市场表现不佳，人们可能会考虑使用一种非常不同的建模方法。但是，我们认为即使在这些市场上继续使用这些模型也是有意义的。表 T1 中对投资者最直接有用的模型性能指标是精度：当模型预测回调时，是否真的发生了回调？在这个指标上表现最差的模型通常是那些在测试集期间很少出现回调的市场。从本质上讲，糟糕的表现可以用“小数定律”来解释——没有足够的观察来在这些市场上正确测试回调模型。当前预测那么，目前新模型都在说什么？我们的模型认为未来 4 周内出现回调的风险很小。唯一概率高于 50% 的回调模型是日本回调模型，即使在这里概率低于 50% 以上的标准差的一半。在图 3 中，我们显示了全球回调模型的回调概率的时间序列。目前的预测水平非常低。我们在下面的图表 4 中显示了当前预测的汇总 SHAP 值。我们可以看到，影响最大的是近期大宗商品价格的变化。工业金属和石油的普遍上涨趋势导致模型看到全球股市回调的可能性降低。近期回调概率下降的另一个重要原因是过去 12 周美国利率下降。3.下月全球股市回调的可能性4.FTSE All World 回调模型的汇总 SHAP 值资料来源：汇丰银行、富时罗素、Factset、彭博社、EPFR资料来源：汇丰银行、富时罗素、Factset、彭博社、EPFR因此，我们在多元资产配置中继续增持股票（见风平浪静，2021 年 9 月 16 日）。我们长期以来一直认为增长预期将变得过于乐观，而宏观数据已经在第二季度中期达到顶峰。快进四个月，我们的观点现在基本成真（图 5 和图 6）。 多资产●数据科学 2021 年 9 月 17 日55.增长放缓是真实的6. 共识增长预测更多缺点？100806040200Jan-17 Jan-18 Jan-19 Jan-201 月 21 日807060504030201002010201220142016201820203020100-10-20扩散指数 HSBC Activity Surprises（60 天变化） 共识GDP预测扩散指数扩散指数 HSBC Activity Surprises（40 天变化）股票与美国国债（26w chg，RHS）资料来源：汇丰银行、彭博社资料来源：汇丰银行、彭博社、Factset但是，尽管谈论“一切都达到顶峰”，风险资产——尤其是股票——表现得非常好。事实上，目前跨资产类别的隐含波动率非常低。这是因为最近混合/令人失望的活动数据使人们对激进的缩减时间表或过于鹰派的预期感到担忧。简而言之，混合活动数据和不那么强硬的结合是资产价格持续通胀的完美方法——深度周期性资产除外。这就是为什么我们继续偏好像美国这样的增长和质量区域——目前回调的可能性最低——而不是像欧元区这样的价值和周期性区域。现在真正重要的是弄清楚当意外变得过于消极和对增长的向下修正过度时的点。我们认为我们还没有到那个时候。事实上，事情在变得更好之前必须变得更糟。我们当然对这种有点不舒服的平静持谨慎态度。 21 年第 4 季度和 22 年第 1 季度的一个风险是，推动通胀和通胀意外走高的基数效应消退，最终导致实际收益率上升和盈亏平衡点下降（参见第 4/5 页）错了吗？，7 月 12 日）。从历史上看，这种组合不仅对风险资产最不利，而且对整个资产类别也是最不利的。但此时的定位很可能为时过早。量化洞察许多人的默认假设是机器学习模型仅作为系统投资过程的一部分有用。然而，通过使用模型可解释性的最新进展，我们能够对模型所做的单个预测进行细粒度的解释。这将模型从一个需要遵循或忽略其预测的黑匣子变成一个思考市场的框架.还可以汇总单个预测的细粒度解释，以从宏观层面了解模型所学习的关系。在这篇文章中，我们总结了我们的新模型学到的重要关系——特别是当这些关系与模型的先前迭代不同时。收益修正我们以两种方式包含有关分析师修订的信息。首先，也是最标准的，我们看分析师修订比率。该比率衡量分析师最近的修订是净升级还是降级；当比率高于 50% 时，修订版总体上已升级。其次，更不寻常的是，我们在这个比率中包括了最近的变化。由于 多资产●数据科学 2021 年 9 月 17 日6盈利修正比率衡量近期变化的行为，这第二个衡量标准是评估变化的二阶导数。与之前的迭代一样，当盈利修正率高于 50%（分析师净升级）时，模型认为这会降低即将回调的可能性。在模型的先前迭代中，此功能是最重要的功能之一。现在我们已经重新训练了模型，我们可以看到，虽然这仍然是我们许多模型的重要预测指标，但这种标准测量的整体重要性较低。此外，模型学习的关系比模型的先前版本稍微微妙。在图 7 中，我们显示了来自 FTSE All World Pullback 模型的收益修正的 SHAP 依赖图1。在我们的回调模型的这些 SHAP 依赖图中要记住的关键是，因为更高的模型概率表明股票下跌的可能性更大，正 SHAP 值（y 轴）是看跌的，反之亦然.该模型仍将分析师的净升级视为降低回调的可能性，而净降级则视为增加的可能