量化選股
出自 MBA智库百科(https://wiki.mbalib.com/)
目錄 |
量化選股是指利用數量化的方法選擇股票組合，期望該股票組合能夠獲得超越基準收益率的投資行為。
- 1、多因素模型（Multiple-factor regression）
Ross(1976)建立了套利定價理論 （Arbitrage Pricing Theory，APT） 。在投資實務中，多因素定價（選股）模型可以看作是APT理論最典型的代表。多因素模型將那些引起證券價格聯動的因素直接加入到收益率公式之中，然後開發基於這些因素的模型，簡化投資組合分析所要求的關於證券之間相關係數的輸入。模型效果的好壞主要取決於因素的選取，即那些被選定的因素是否足以證明，證券收益率之間聯動效應的根源在於那些因素對各證券的共同影響。對於因素的選取可以採用逐步回歸和分層回歸的方法進行篩選，然後進行主成分分析，從眾多因素中找出解釋度較高的某幾個指標，儘可能反映原來所有的信息。另外，多因素模型進一步提出，證券之間的聯動性，除了源於市場因素的影響之外，還取決於其他一些非市場因素。
- 2、動量反轉選股
動量反轉策略的起源可以追溯到有效市場理論的起源。1900年法國數學家Bachelie首先發現股票價格的變化服從布朗運動，但這一發現當時並沒有受到廣泛的關註。 直到1950年Kendall在經濟時間序列分析中強調股票遵循隨機游走的模型之後，現代資本市場理論體系才得到了長足的發展。這一理論一經問世，很多學者對其進行了大量的研究，其中包括Samuelson、Mandelbort和Fama。有效市場假說分三個層次，分別為弱有效市場、 半強有效市場、 強有效市場分別代表價格反映了歷史信息、公開信息和全部信息。學術界對有效市場假說的檢驗分為兩類：一是股價收益率分佈的檢驗；二是市場有效性的檢驗。正是對市場弱有效的檢驗產生了動量反轉策略。
動量效應(Momentum Effect)指的是投資策略或組合的持有期業績方向和形成期業績方向一致的股價波動現象；而反轉效應(ContrarianEffect)則指的是投資策略或組合的持有期業績方向和形成期業績方向相反的股價波動現象。對於動量和反轉效應，學術界有很多解釋，其中比較具有說服力的是行為金融學的解釋：反應不足和反應過度。如果在市場上發現了動量效應，說明股價對信息反應不足，股價在消息公佈後不是第一時間上漲或下跌至其應有的位置，而是較為緩慢的移動至其應有的位置；同理，如果在市場上發現了反轉效應，則可說明股價對信息反應過度。由此可見，動量效應與反應不足、反轉效應與反應過度，這兩組概念是緊密聯繫在一起的。動量效應和反轉效應可以看作是反應不足與反應過度的實證支持。在使用動量反轉方法選股的時候，需要考慮以下幾個問題：樣本選擇的區間、不同策略在不同市況下的表現、持有期的長短、顯著性檢驗等。
- 3、分類和回歸樹（Classification and regression tree）
分類和回歸樹是數據挖掘技術的一種，以遞歸分割技術為基礎（常用於製藥學的研究），包括分類樹和回歸樹：分類樹產生定性輸出，回歸樹處理定量輸出，分類和回歸樹可以用來提取規則和輸入和輸出變數之間的映射關係。輸入數據通過與分裂節點的分割條件作比較，決定其屬於左節點還是右節點。不斷重覆上述過程，就可以得到該輸入數據的分類結果.從根節點到葉節點的所有分割條件則指明瞭輸入變數對應輸出結果之間的規則。 分層決策樹採用替代變數的方法解決缺失數據問題，不要求數據的分佈，可同時利用各種類型的數據。
因為股市的建模與預測所處理的信息量往往十分龐大，因此對演算法有很嚴格要求，它的非線性動力學特性也非常複雜，所以一般傳統的方法對於股市的預測往往難如人意。人工神經網路不僅具有大規模並行模擬處理、網路全局作用和非線性動力學等特點，而且有很強的自適應、自學習以及容錯能力，具備傳統的建模方法所不具有的許多優點，其可以不必事先知道有關被建模對象的參數、結構以及動態特性等方面的知識， 對被建模對象經驗知識要求不高。 而只需給出對象的輸入和輸出數，通過網路本身的學習功能即可實現輸入和輸出之間的映射。人工神經絡模型具有巨量並行性、存儲分佈性、結構可變性、高度非線性、自學習性和自組織性等特點，可以逼近任何連續函數，目前作為非線性函數的逼近模型被廣範應用。神經網路目前在國際上已廣泛用於金融分析和預測，並取得了較好的效果。人工神經絡模型已在多變數非線性系統的建模方面取得了驚人的成就，成為一種新興的預測時間序列方法。
