Porteføljekonstruktion ved Markedsregimer: En Adaptiv Tilgang
Oversat titel
Portfolio Construction under Market Regimes: An Adaptive Approach
Forfattere
Andersen, Oliver ; Sørensen, Rasmus
Semester
4. semester
Uddannelse
Udgivelsesår
2026
Afleveret
2026-06-01
Antal sider
120
Resumé
Specialet undersøger, om en datadrevet identifikation af markedsregimer kombineret med regimbetinget faktoreksponering kan skabe statistisk og økonomisk signifikante risikojusterede merafkast i forhold til et bredt markedsindeks. Samtidig vurderes, om resultaterne kan tolkes inden for den Adaptive Markets Hypothesis (AMH) som et alternativ til Hypotesen om effektive markeder (EMH). Hvor EMH antager, at priser altid afspejler al tilgængelig information og dermed gør systematiske merafkast usandsynlige, betragter AMH finansielle markeder som evolutive systemer, hvor effektivitet ændrer sig over tid. I perioder med stress eller strukturelle skift kan tilpasning ske langsomt, og ineffektiviteter kan derfor bestå. Tilgangen operationaliserer denne idé med en maskinlæringsramme, der eksplicit baserer investeringsbeslutninger på den aktuelle markedsstat. Datasættet omfatter et bredt udsnit af børsnoterede aktier med daglige OHLC‑kurser (åbn, høj, lav, luk) fra 2000 til 2026 og er konstrueret med streng punkt‑i‑tid‑disciplin for at begrænse overlevelsesbias, forudseenhedsbias (brug af fremtidig information), bleed‑in‑effekter (utilsigtet lækage mellem datasæt) og valutabias. Modellerne bygger på to komplementære anvendelser af Gaussiske blandingsmodeller (GMM), en probabilistisk klyngemetode. Regimemodellen estimeres med en walk‑forward‑procedure i perioden januar 2000 til december 2017 og identificerer via Bayesiansk informationskriterium fire latente regimer: roligt bull‑marked (R0), overgangsregime (R1), post‑crash bund (R2) og kriseregime (R3). Klyngemodellen leverer et fast adfærdskatalog med otte aktieklynger—fra høj‑beta cykliske og lav‑volatilitets defensive til fedthale‑crashprofiler og venstreskæve, nervøse aktier—uafhængigt af GICS‑sektor. Ekstern validering viser, at markedsvariable uden for GMM‑estimatet (bl.a. VIX og S&P 500‑drawdown) ordner de fire regimer langs den samme monotone risikoskala som modellens interne mål. Den mest ekstreme parring (R0 mod R3) giver en stor effektstørrelse (Cliffs δ ≈ ±0,92), hvilket indikerer, at regimerne afspejler reelle strukturelle markedstilstande og ikke blot er artefakter. Porteføljemotoren omsætter regime- og klyngeklassifikationer til en long‑only strategi via regimbetinget faktor‑scoring, der vægter signaler forskelligt afhængigt af regime. Blandt 552 kandidatspecifikationer vælges konfigurationen ved Pareto‑optimering på Sharpe‑ratio (risikojusteret afkast) og maksimalt fald (peak‑to‑trough) i valideringsperioden 2018–2021. Statistisk robusthed vurderes med Deflated Sharpe Ratio (DSR), som korrigerer for multiple test, ikke‑normale afkast og estimeringsusikkerhed. I valideringsperioden opnår strategien en DSR på 0,60. Den rene out‑of‑sample‑test dækker januar 2023 til januar 2026 med en frossen model. Strategien leverer en CAGR på 44,79 %, en Sharpe‑ratio på 1,147, en Sortino‑ratio på 2,838 og et maksimalt fald på −21,18 %, samt positive aktive afkast mod alle undersøgte benchmarks, herunder et årligt merafkast på 23,19 % i forhold til S&P 500. Det risikojusterede billede er mere nuanceret: Sharpe‑ratioen ligger under både S&P 500 (1,332) og NASDAQ‑100 (1,532), og out‑of‑sample DSR på 0,116 indikerer, at de risikojusterede resultater ikke kan skelnes statistisk fra et bedst‑muligt udfald givet modellens kompleksitet. Samlet set tyder resultaterne på, at modellen fanger økonomisk meningsfulde regime‑ og klyngestrukturer, men at den realiserede performance delvist kan afspejle koncentrerede eksponeringer, strukturel ikke‑stationaritet og kumulativ implicit overfitting. Specialet viser, at en regimbaseret, maskinlæringsdrevet porteføljestrategi kan skabe betydelige merafkast i forhold til passive benchmarks og udgør en praktisk implementering af AMH. Den statistiske robusthed er dog en åben begrænsning; fremtidigt arbejde bør teste generaliserbarheden af regimerne i andre markeder og strategiens skalerbarhed ved større kapital.
This thesis asks whether a data‑driven way to detect changing market regimes and adjust factor exposures accordingly can deliver statistically and economically significant risk‑adjusted excess returns versus a broad market index. It also examines whether the evidence is consistent with the Adaptive Markets Hypothesis (AMH), which views markets as evolving systems, in contrast to the Efficient Markets Hypothesis (EMH) that assumes prices continuously reflect all available information. Under AMH, stress and structural shifts can create persistent inefficiencies because investors adapt only gradually. The study operationalizes this idea with a machine‑learning framework that conditions investment decisions on the current market state. The dataset spans a broad cross‑section of publicly listed equities with daily OHLC prices (open, high, low, close) from 2000 to 2026 and is built with strict point‑in‑time rules to limit survivorship bias, look‑ahead bias (use of future information), bleed‑in effects (unintended data leakage), and currency bias. The modeling uses two Gaussian Mixture Models (GMMs), a probabilistic clustering technique. The regime model is estimated in a walk‑forward procedure over January 2000 to December 2017 and, via the Bayesian Information Criterion, identifies four latent regimes: a calm bull market (R0), a transition regime (R1), a post‑crash floor (R2), and a crisis regime (R3). The cluster model provides a fixed behavioral catalogue of eight stock clusters—from high‑beta cyclicals and low‑volatility defensives to fat‑tail crash profiles and left‑skewed, nervous stocks—independent of GICS sectors. External validation shows that variables not used in estimation (including the VIX and S&P 500 drawdowns) order the four regimes along the same monotonic risk axis as the model’s internal features; the most extreme pair (R0 vs R3) yields a large effect size (Cliff’s δ ≈ ±0.92). This supports the interpretation that the regimes reflect genuine structural market states rather than artifacts. The portfolio engine translates regime and cluster classifications into a long‑only strategy via regime‑conditional factor scoring, which weights signals differently by regime, thereby operationalizing the AMH idea that signal relevance is context‑dependent. Among 552 candidate specifications, the configuration is chosen by Pareto optimization on the Sharpe ratio (a risk‑adjusted return metric) and maximum drawdown (peak‑to‑trough loss) during the 2018–2021 validation period. Statistical robustness is assessed with the Deflated Sharpe Ratio (DSR), which adjusts for multiple testing, non‑normal returns, and estimation uncertainty. In validation, the strategy achieves a DSR of 0.60. In pure out‑of‑sample testing with the model frozen, from January 2023 to January 2026 the strategy delivers a CAGR of 44.79%, a Sharpe ratio of 1.147, a Sortino ratio of 2.838, and a maximum drawdown of −21.18%, with positive active returns versus all benchmarks considered, including an annualized excess return of 23.19% over the S&P 500. The risk‑adjusted picture is more nuanced: the Sharpe ratio trails both the S&P 500 (1.332) and NASDAQ‑100 (1.532), and the out‑of‑sample DSR of 0.116 indicates that the risk‑adjusted performance cannot be statistically distinguished from a best‑case outcome given the model’s complexity. Overall, the results suggest that the model captures economically meaningful regime and cluster structures, but that realized performance may partly reflect concentrated exposures, structural non‑stationarity, and cumulative implicit overfitting. The thesis shows that a regime‑based, machine‑learning portfolio strategy can generate substantial excess returns relative to passive benchmarks and offers a concrete operationalization of the AMH. However, statistical robustness remains a limitation; future work should test whether the regime structures generalize to other market environments and whether the approach scales under larger capital deployment.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]