如何運用AI協助資產管理--筆記系列(2)
從 Spectral Clustering 到市場 Regime 的理解
0. 引言：從「股票分群」到「市場分群」
在前一篇，我們提到可以用 k-means 去理解股票之間的風險結構。那篇文章的核心其實很簡單：我們不應該把市場視為一個整體，而應該是由不同「行為群」組成。
但如果把問題再想深入一點呢：股票之間可以分群，那市場本身呢？
也就是說：
股票有風格（growth / defensive / cyclical）
那市場，有沒有「狀態」？
這就是 regime（經濟環境）的問題。而在這一層分類，k-means這方法就開始不夠用了。所以本篇會介紹Spectral Clustering、學術根本、實務應用、及這方法如何改變資產管理。
1. Spectral Clustering：方法與直覺
1.1 與 k-means 的根本差異
在機器學習的分類中，clustering 大致可以分成兩類：
distance-based（距離導向）→ k-means
graph-based（關係導向）→ spectral clustering
k-means 的邏輯是資料離分群中心最近，就會被分到同一群；但這隱含了一個假設：群是「圓形」的。但金融市場資料通常不是這樣，因為：
成長與通膨之間可能呈現曲線關係
信用條件與報酬之間可能非線性
macro variables 常具有 regime switching 特性
所以這些結構，用距離是抓不到的。
1.2 Spectral Clustering 在做什麼
Spectral clustering 的思路不同。
它先做三件事：
建立 similarity matrix（相似度矩陣）
將資料轉換成 graph（圖結構）
在 graph 上做切割（partition）
直觀理解：它不是像K-mean 問「誰比較近」，而是問「誰跟誰比較有連結」；而這個「連結」通常用 Gaussian kernel 表示：
接著透過 Laplacian matrix：
再取其特徵向量（eigenvectors），把問題轉換到低維空間後，再做 clustering。
1.3 為什麼適合用在市場 Regime
這裡的關鍵其實並不是數學，而是經濟直覺，因為市場狀態（regime）通常具有以下特性：
非線性（nonlinear relationships）
轉換不連續（regime switching）
多變數交互作用（interaction effects）
例如：
高通膨 + 高利率 ≠ 單純兩個變數相加
信用緊縮通常伴隨 liquidity shock
成長與通膨的組合決定資產表現
這些結構，本質上更像「網絡」，而不是「幾個圓」。因此spectral clustering 更適合用來辨識市場狀態。
2. 文獻脈絡
2.1 Simonian & Wu (2019)
Simonian 與 Wu（2019）的貢獻在於：將 spectral clustering 直接應用於市場 regime 分類。
其核心設定為三個 macro 因子：
Growth（成長）
Inflation（通膨）
Leverage / Credit（信用條件）
透過這三個變數，模型將市場分成幾個主要狀態，例如：
成長擴張（Goldilocks Expansion）
通膨衝擊（Inflation Shock）
信用壓力（Credit Stress）
復甦轉換（Recovery Transition）
這種分類的特點是：
不依賴預測
完全由資料結構決定
可直接對應資產配置
2.2 López de Prado et al.（2025）
該篇作者更進一步把 ML 放進整個投資流程：
signal generation
feature selection
portfolio construction
stress testing
其中一個關鍵點是clustering 被定位為「結構辨識工具」，而非預測模型；原文中明確指出：Unsupervised learning 的目標是從資料中找出 hidden structure
這代表：
clustering 不是用來預測報酬
而是用來理解市場如何運作
此外，文章也提到：
spectral clustering 可用於 regime-based modeling
clustering 可強化 stress testing 與 scenario analysis
這與 Simonian & Wu 的架構是一致的。
2.3 從股票到市場的兩層結構
整理起來，可以看到一個清楚的層次：
第一層：股票之間的結構（k-means / clustering）
第二層：市場本身的結構（spectral / regime）
這兩層其實對應不同問題：stock selection和asset allocation
3. 實際應用
上圖為利用 Spectral Clustering 辨識市場 Regime，這張圖呈現了一個完整的實務框架：我們必須先知道不是用AI模型預測市場，而是先回答：市場目前處在什麼狀態？
模型的核心輸入變數來自三個 macro 維度：
Growth（經濟成長）
ISM / PMI
Nonfarm Payrolls
GDP
Inflation（通膨）
CPI / Core CPI
Breakeven Inflation
Leverage / Credit（信用條件）
High Yield Spread
BBB Spread
Financial Conditions Index
這三組變數代表了經濟環境的三個主要驅動力；接著透過 spectral clustering，把這些時間序列轉換成：不同的市場狀態（regimes）
3.2 分群結果（四種市場狀態）
模型將市場分為四個主要 regime：
Regime 1：成長擴張（Goldilocks Expansion）
特徵：
高成長
低通膨
信用寬鬆
市場行為：
股市上行
波動較低
典型資產：
科技股
成長股
Regime 2：通膨衝擊（Inflation Shock）
特徵：
通膨上升
利率走高
市場行為：
成長股壓力
原物料、能源相對強勢
Regime 3：信用壓力（Credit Stress）
特徵：
信用利差擴大
流動性收縮
市場行為：
風險資產下跌
避險需求上升
Regime 4：復甦轉換（Recovery Transition）
特徵：
成長回升
通膨緩解
信用改善
市場行為：
cyclical rotation
小型股與工業類股表現改善
3.3 關鍵 insight：Clustering 改變你看市場的方式
這裡有一個結構性的轉換，和上一篇是對應的。在傳統投資框架中，我們通常這樣理解市場：
牛市 / 熊市
景氣好 / 景氣差
利率高 / 利率低
但這些分類大多是單一維度的判斷。但透過 spectral clustering，市場可被重新定義為：
成長 × 通膨 × 信用條件的組合
這兩個分類的本質差異是一個是「單一變數」，一個是「結構組合」。這符合投資的直覺：市場真正影響資產報酬的，往往不是單一變數，而是多個 macro 因子的交互作用。
4. 傳統資產管理 vs AI 資產管理
傳統資產管理的核心，是預測。像我們在財務管理會建立模型，估計未來報酬、風險與相關性，再依此進行資產配置。無論是基本面分析、因子模型，或是均值變異數架構，本質上都建立在同一個前提：如果預測足夠接近現實，配置就會是合理的。
但實務上的問題在於，預測本身並不穩定。市場並不是一個固定結構的系統。成長、通膨、利率與信用條件之間的關係，都會隨時間不斷地改變。在不同階段，相同的變數，可能對資產價格產生完全不同的影響。
在這樣的背景下，機器學習的方法並沒有真正解決「預測」這個問題。它改變的，是我們處理問題的順序。從一開始就試圖預測市場，轉為先理解市場目前的結構，再進行決策。
在這個框架下，投資流程會變成：
先辨識市場狀態（regime）
再選擇對應的策略
最後才是資產配置
這個順序的改變，看起來只是技術上的調整，但實際上影響的是整個決策邏輯。
我們可以說明這樣的轉換，會帶來兩個直接影響。
第一，它降低了對預測精度的依賴。即使無法精準預測報酬，只要能辨識出市場環境，仍然可以做出合理配置。
第二，它讓資產配置有了更清楚的依據。策略不再是固定的，而是依據市場狀態做調整。
換句話說，機器學習在資產管理中的角色，並不是提供更複雜的模型，而是讓我們用比較清晰的方式理解市場。
不是預測未來，而是先界定現在。
如果把整個架構再簡化成一句話：這也是為什麼，clustering 與 spectral clustering 的價值，不在於它們能產生更準確的預測結果，重點在於：它們讓投資決策，有了一個比較穩定的起點。
風險揭露
本文僅供學術與教育用途，不構成投資建議。文中分析為方法示範，結果受資料與模型設定影響，過去表現不代表未來，投資需自行承擔風險。
AI 輔助揭示
本文使用 AI 協助整理與表達，觀點與分析由作者獨立完成並審閱。