Explainable Regime Aware Investing

Die Studie stellt ein erklärbares, regimebewusstes Portfolio-Management-Framework vor, das auf einem streng kausalen Wasserstein-Hidden-Markov-Modell basiert und durch dynamische Anpassung der Regime-Komplexität sowie stabile Identitätsverfolgung im Vergleich zu Benchmarks und nichtparametrischen Ansätzen deutlich verbesserte risikoadjustierte Renditen und geringere Drawdowns erzielt.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung von Amine Boukardagha, die wie eine Geschichte aus dem Alltag klingt, ohne komplizierte Fachbegriffe zu verwenden.

Das große Problem: Der Wetterbericht für Aktienmärkte

Stellen Sie sich vor, Sie sind ein Kapitän, der mit einem großen Schiff (Ihrem Geld) über einen Ozean (den Finanzmarkt) fährt.

• Manchmal ist das Wasser ruhig und sonnig (Bull-Markt).
• Manchmal gibt es kleine Wellen und Nebel.
• Und manchmal bricht ein riesiger Sturm aus (Bärenmarkt oder Crash).

Das Problem bei den meisten Investoren ist, dass sie versuchen, das Schiff für jeden Tag gleich zu steuern. Sie glauben, das Wetter bleibt gleich. Aber wenn ein Sturm kommt, werden sie völlig überrascht und ihr Schiff kann kentern.

Andere versuchen, das Wetter vorherzusagen, indem sie sich nur die letzten paar Minuten anschauen. Das ist wie ein Wetterbericht, der sagt: "Es regnet gerade, also regnet es morgen auch." Das funktioniert oft nicht, weil sich die Muster im Markt ständig ändern.

Die Lösung: Der "Wasserstein-HMM"-Kompass

Der Autor dieser Studie hat einen neuen, sehr klugen Kompass entwickelt, den er Wasserstein-HMM nennt. Das klingt kompliziert, ist aber im Grunde ein intelligenter Wetterbericht für den Markt, der drei besondere Tricks beherrscht:

1. Der schlaue Wetterbericht (Regime-Erkennung)

Statt nur zu schauen, was jetzt passiert, lernt dieses System die verschiedenen "Klimazonen" des Marktes kennen. Es weiß: "Aha, wir sind gerade in der 'Ruhigen-See-Zone' oder in der 'Sturm-Zone'."

• Der Trick: Es ändert nicht nur die Vorhersage, sondern passt auch die Anzahl der Wetterzonen an. Wenn der Markt komplexer wird, erkennt es mehr Zonen. Wenn er einfach wird, reduziert es sie. Es ist wie ein Wetterdienst, der weiß, wann er mehr oder weniger Details braucht.

2. Der Name bleibt erhalten (Identitäts-Treue)

Das ist der wichtigste Teil! Bei alten Systemen passierte oft folgendes: Der Computer sagt heute: "Wir sind in Zone A (Sonne)." Morgen sagt er: "Wir sind in Zone B (Sturm)." Aber übermorgen sagt er plötzlich: "Oh, wir sind wieder in Zone A!" – obwohl es eigentlich eine ganz neue Art von Sturm ist. Das verwirrt den Kapitän total.

Der neue Kompass nutzt eine Methode namens Wasserstein-Distanz. Stellen Sie sich vor, jede Wetterzone hat einen festen "Namensschild" und ein "Gesicht". Wenn sich das Wetter leicht ändert (z. B. die Sonne wird etwas schwächer), bleibt das Namensschild gleich. Das System erkennt: "Das ist immer noch Zone A, nur etwas bewölkt."

• Warum das wichtig ist: Der Kapitän muss nicht panisch das Ruder herumreißen, nur weil der Computer verwirrt ist. Er kann ruhig und gezielt steuern.

3. Die Kosten der Fahrt (Transaktionskosten)

Wenn man zu oft das Ruder herumreißt, kostet das Treibstoff (Gebühren und Steuern). Da der neue Kompass sehr stabil ist, muss das Schiff nicht wild hin und her schaukeln. Es gleitet sanft durch die Wellen.

Der große Test: Der "Liberation Day" (Frühjahr 2025)

Der Autor hat seinen Kompass in der Vergangenheit getestet, besonders während eines fiktiven (oder zukünftigen) großen Crashs im Jahr 2025, den er "Liberation Day" nennt.

• Der Vergleich 1 (Der Sturmfahrer): Jemand, der einfach nur in Aktien investiert hat (wie in den S&P 500 Index), wurde komplett von der Welle getroffen. Sein Schiff sank fast (hoher Verlust).
• Der Vergleich 2 (Der Naive): Jemand, der sein Geld einfach auf alle Schiffe verteilt hat (50% Aktien, 50% Anleihen, 50% Gold...), hatte es etwas besser, aber wurde trotzdem stark mitgerissen.
• Der Gewinner (Der Kompass-Nutzer): Dank des neuen Systems sah der Kapitän den Sturm kommen.
  • Sobald das System den Übergang in die "Sturm-Zone" erkannte, reduzierte es automatisch die Aktienanteile.
  • Es legte das Geld stattdessen in sichere Häfen wie Gold, Anleihen und den US-Dollar.
  • Das Ergebnis: Als der Sturm vorbei war, hatte dieses Schiff viel weniger Schaden erlitten als die anderen.

Warum ist das besser als "Zufallssuche"?

Der Autor hat sein System auch mit einer anderen Methode verglichen, die wie ein "Kuckuckssuch" funktioniert (K-Nearest Neighbors). Diese Methode schaut sich nur die letzten ähnlichen Tage an.

• Das Problem: Wenn sich das Wetter auch nur ein winziges bisschen ändert, sucht diese Methode plötzlich ganz andere historische Tage als Vergleich. Das führt dazu, dass der Kapitän jeden Tag in Panik gerät und das Ruder wild herumwirbelt. Das kostet viel Treibstoff und macht das Schiff instabil.
• Der Vorteil des neuen Systems: Weil es die "Wetterzonen" stabil benennt und verfolgt, bleibt die Strategie ruhig. Es gibt weniger wildes Hin- und Her, weniger Kosten und ein sichereres Gefühl.

Fazit in einem Satz

Dieses neue System ist wie ein erfahrener Kapitän mit einem stabilen Kompass: Er erkennt nicht nur, dass ein Sturm kommt, sondern weiß genau, welche Art von Sturm es ist, behält den Überblick, auch wenn sich das Wetter leicht ändert, und steuert sein Schiff so ruhig wie möglich, um den Schaden zu minimieren – ohne dabei ständig unnötig Treibstoff zu verschwenden.

Das Ergebnis: Weniger Panik, weniger Verluste bei Crashs und am Ende mehr Geld auf dem Konto.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papiers „Explainable Regime-Aware Investing" von Amine Boukardagha auf Deutsch:

1. Problemstellung

Die tägliche Portfolio-Konstruktion steht vor einem fundamentalen Zielkonflikt: Sie muss sich schnell an die sich wandelnde Marktstruktur anpassen, gleichzeitig aber robust gegenüber Schätzrauschen und Handelsfrictionen (Transaktionskosten) bleiben.

• Instabilität bei hohen Frequenzen: Schätzungen von bedingten Mittelwerten und Kovarianzen sind bei täglicher Frequenz oft instabil. Kleine Änderungen in den Eingangsdaten können zu großen Sprüngen in den optimierten Gewichten führen.
• Herausforderungen bei Regime-Modellen: Wenn Allokationen von latenten Marktregimen abhängen, verschärfen sich zwei operative Probleme:
  1. Die optimale Anzahl der Regime kann sich über die Zeit ändern (dynamische Komplexität).
  2. Bei wiederholter Neuschätzung in rollierenden Fenstern kommt es oft zum „Label Switching" (Permutation der latenten Labels), was die Interpretierbarkeit zerstört und die Optimierung destabilisiert.
• Folgen: Instabilität führt zu übermäßigem Umschlag (Turnover), fragilen Portfolio-Verhalten und hohen Drawdowns, wie im Vergleich zu nicht-parametrischen Methoden (z. B. K-Nearest Neighbors) gezeigt wird.

2. Methodik: Das Wasserstein Hidden Markov Model (Wasserstein HMM)

Der Autor schlägt ein erklärbares, regime-bewusstes Framework vor, das auf einem streng kausalen, rollierenden Gaußschen HMM basiert. Das Kernkonzept besteht aus drei Säulen:

A. Streng kausale rollierende Schätzung

Das Modell wird auf einem sich erweiternden (rolling) Fenster geschätzt, wobei alle Features (Renditen, Volatilität, Momentum) nur bis zum Zeitpunkt $t-1$ verwendet werden, um Look-Ahead-Bias zu vermeiden.

B. Predictive Model-Order Selection (Dynamische Komplexität)

Anstatt die Anzahl der Regime einmalig (z. B. via BIC) festzulegen oder starre Regeln für das Hinzufügen von Regimen zu verwenden, wird die Ordnung $K_t$ periodisch (z. B. wöchentlich) basierend auf der Vorhersageleistung (One-Step-Ahead Log-Likelihood) ausgewählt. Dies ermöglicht es dem Modell, die Komplexität dynamisch an die aktuelle Marktstruktur anzupassen.

C. Template-basierte Identitätserhaltung via 2-Wasserstein-Distanz

Dies ist der innovativste Teil der Methodik, um das Label-Switching-Problem zu lösen:

• Templates: Es werden persistente „Regime-Templates" definiert, die stabile wirtschaftliche Identitäten repräsentieren.
• Wasserstein-Abstand: Anstatt diskreter Zuordnungen (Matching) zu verwenden, werden die Gaußschen Komponenten des aktuellen HMMs ($\mu_{t,k}, \Sigma_{t,k}$) den Templates ($\mu_g, \Sigma_g$) mittels der 2-Wasserstein-Distanz zugeordnet.
  • Formel: $W_2^2(\mathcal{N}(\mu_1, \Sigma_1), \mathcal{N}(\mu_2, \Sigma_2)) = \|\mu_1 - \mu_2\|^2 + \text{Tr}(\Sigma_1 + \Sigma_2 - 2(\Sigma_2^{1/2}\Sigma_1\Sigma_2^{1/2})^{1/2})$.
• Vorteil: Diese geometrische Verankerung ermöglicht eine kontinuierliche, glatte Evolution der Regime-Identitäten ohne kombinatorische Optimierung. Die Templates werden durch exponentielle Glättung aktualisiert.

D. Portfolio-Optimierung

Die geschätzten Regime-Wahrscheinlichkeiten werden in eine Transaktionskosten-bewusste Mean-Variance-Optimierung (MVO) integriert. Die Kovarianzschätzung wird durch Ledoit-Wolf-Shrinkage stabilisiert, und Transaktionskosten werden als $L_1$-Strafterm im Optimierungsproblem berücksichtigt.

3. Schlüsselbeiträge

1. Geometrisch fundiertes Regime-Inferenz-Framework: Einführung des Wasserstein HMM, das adaptive Komplexitätskontrolle mit einer stabilen Identitätserhaltung kombiniert, speziell für den Hochfrequenzeinsatz entwickelt.
2. Nachweis der wirtschaftlichen Relevanz von Stabilität: Das Papier demonstriert, dass die Qualität der Regime-Identifikation (Stabilität der Labels und glatte Gewichtsverläufe) ein primärer Determinant für die Portfolio-Performance ist.
3. Vergleich mit nicht-parametrischen Baselines: Ein direkter Vergleich mit einem K-Nearest-Neighbors (KNN)-Ansatz zeigt, dass parametrische Modelle mit strukturierter Latenz-Struktur deutlich robuster sind als lokale Ähnlichkeitsmethoden, die bei täglicher Frequenz zu diskontinuierlichen Sprüngen führen.

4. Empirische Ergebnisse

Die Strategie wurde an einem diversifizierten Cross-Asset-Universum (Aktien, Anleihen, Rohstoffe, Währungen) von 2005 bis 2026 getestet.

• Risiko-adjustierte Performance:
  • Sharpe Ratio: Wasserstein HMM: 2,18 (vs. Equal-Weight: 1,59 und SPX Buy & Hold: 1,18).
  • Maximaler Drawdown: Wasserstein HMM: -5,43% (vs. SPX: -14,62%).
• Turnover und Stabilität:
  • Der parametrische Ansatz erzeugt einen durchschnittlichen täglichen Turnover von 0,79%, während der KNN-Ansatz bei 56,65% liegt.
  • Die Gewichte des Wasserstein HMM entwickeln sich glatt, während der KNN-Ansatz zu extremen und häufigen Umschichtungen neigt.
• Fallstudie: „Liberation Day" (Frühes 2025):
  • Während eines massiven Aktienkorrekturen im frühen 2025 erkannte das Modell einen Übergang in ein Stress-Regime.
  • Es reduzierte systematisch die Aktienexposition und verlagerte Kapital in defensive Assets (USD, Anleihen, Gold).
  • Dies führte zu signifikant geringeren Verlusten im Vergleich zu passiven Benchmarks.
• Regime-Interpretation: Das Modell identifiziert stabile Regime (z. B. „Balanced Risk-On", „Inflationary/Dollar Strength", „Equity Stress"), die ökonomisch sinnvoll interpretierbar sind und unterschiedliche Asset-Allokationen erfordern.

5. Bedeutung und Fazit

Das Papier zeigt, dass Regime-bewusstes Investieren nicht nur davon abhängt, ob Regime existieren, sondern wie sie inferiert und stabilisiert werden.

• Schlüsselerkenntnis: Die Stabilität der Regime-Identität ist entscheidend für die Implementierungsrobustheit. Diskontinuierliche Schätzungen (wie bei KNN) führen zu ineffizientem Trading und höheren Drawdowns.
• Lösung: Die Kombination aus prädiktiver Komplexitätsauswahl und geometrischer Verankerung (Wasserstein-Template-Tracking) bietet eine überlegene Alternative zu lokalen Ähnlichkeitsmethoden.
• Wirtschaftlicher Nutzen: Durch die Fähigkeit, Marktphasenwechsel frühzeitig und stabil zu erkennen, kann das Portfolio systematisch in defensive Sektoren umschwenken, was zu einer signifikanten Verbesserung der Downside-Schutzmechanismen und einer glatteren Kapitalakkumulation führt.

Zusammenfassend stellt der Wasserstein HMM einen prinzipiellen Ansatz dar, um die Lücke zwischen theoretischer Regime-Modellierung und praktischer, täglicher Portfolio-Konstruktion zu schließen, indem er Stabilität und Interpretierbarkeit in den Vordergrund stellt.