利用時變矩成分分析提取高階矩吸收率,改進基于閾值的高階矩因子個數(shù)選擇方法,提出基于元素值的聯(lián)合矩成分分析權(quán)重設(shè)定,構(gòu)造了一種基于股票市場高階矩相關(guān)結(jié)構(gòu)的量化投資策略。研究表明,基于矩成分吸收率的投資策略能夠?qū)墒袧q跌做出有效預(yù)測,對于股市的重大系統(tǒng)風(fēng)險尤為敏感,在熊市中也有良好表現(xiàn);基于單因子吸收率、累積三因子吸收率和赫芬達爾吸收率的高階矩投資策略優(yōu)于二階矩吸收率投資策略,而三階矩單因子吸收率投資策略最優(yōu),基于元素值權(quán)重的投資策略優(yōu)于基于元素個數(shù)權(quán)重的投資策略;量化投資策略具有參數(shù)穩(wěn)健性,且可通過優(yōu)化高階矩的時變結(jié)構(gòu)對投資效果進行優(yōu)化。 

【文章來源】：中國管理科學(xué). 2020,28(02)北大核心CSSCICSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

單因子矩成分方法累積投資收益圖

為分析各吸收率對于股市波動的預(yù)測能力,我們計算了在2009年2月3日至2016年2月3日期間的標準化吸收率位移(考慮到滾動迭代所產(chǎn)生的誤差,我們截去了部分尾部樣本),共1706個樣本,(2.14)式中x分別取1、5、10和15天,y取1年,即242天。同時,我們?nèi)〕隽藴?00指數(shù)在樣本期間5%最高收益率與5%最低收益率發(fā)生的日期,每一側(cè)都有85個樣本,用來刻畫股市最好情況與最壞情況出現(xiàn)的日期。然后,我們計算了發(fā)生巨大波動日期的前40天與前60天至少出現(xiàn)一次正尖峰(Positive Spike)或負尖峰(Negative Spike)的頻率,閾值θ取0.25,另取2θ和3θ同時討論。利用吸收率來預(yù)測股市波動,我們關(guān)注當正尖峰或負尖峰出現(xiàn)時,隨之而來的到底是股市大漲還是大跌?或者說,哪種情況發(fā)生的概率更大?例如表2中,在1天移動平均,閾值θ為0.25的條件下,M3-AR1出現(xiàn)正尖峰后,有88.5%的情況60天之內(nèi)會出現(xiàn)股市5%最低收益率,有73.6%的情況60天之內(nèi)會出現(xiàn)股市5%最高收益率。也就是說,之后60天內(nèi)股市大跌相對于大漲的可能性更高。我們綜合表2中1天MA,5天MA,10天MA與15天MA的尖峰頻率對吸收率的尖峰出現(xiàn)后股市波動情況進行了總結(jié),從表3可以發(fā)現(xiàn)M3、JA、SJA和SJB這幾種方法在三種吸收率下都有最好的表現(xiàn):無論是1天MA,5天MA,10天MA與15天MA,當正尖峰出現(xiàn)時,之后60天內(nèi)股市大跌相對于大漲的可能性更高,當負尖峰出現(xiàn)時,之后60天內(nèi)股市大漲相對于大跌的可能性更高。而其它方法都只能對股市大漲進行預(yù)測,無法對股市大跌進行全面預(yù)測。同時可以發(fā)現(xiàn),所有方法都是用負尖峰預(yù)測股市大漲,正尖峰預(yù)測股市大跌。

【參考文獻】：
期刊論文
[1]股市收益率高階矩風(fēng)險的產(chǎn)生機制檢驗[J]. 方立兵,曾勇.  中國管理科學(xué). 2016(04)
[2]動態(tài)金融高階矩建模:基于Generalized-t分布和Gram-Charlier展開分布的比較研究[J]. 黃卓,李超.  中國管理科學(xué). 2015(10)
[3]自回歸條件方差-偏度-峰度:一個新的模型[J]. 王鵬,王建瓊,魏宇.  管理科學(xué)學(xué)報. 2009(05)
[4]金融市場條件高階矩風(fēng)險與動態(tài)組合投資[J]. 蔣翠俠,許啟發(fā),張世英.  中國管理科學(xué). 2007(01)



本文編號：3445113