我国证券投资基金分类实证分析-论文.doc

我国证券投资基金分类实证分析摘要：本文利用自组织特征映射（SOM）神经网络，对我国2003年10月1日前发行的54只开放式基金进行了分类，并在此基础上利用学习向量量化（LVQ）神经网络对其他基金进行归类，取得较好的效果，说明了神经网络在基金分类应中的有效性。最后利用该模型我国开放基金分类变化情况进行分析，结果显示我国的证券投资基金的绩效持续性差，但已逐步走向理性的发展方向。关键词：神经网络 基金分类 绩效一、引言自1997年10月证券投资基金管理暂行办法颁布以来，我国证券投资基金业取得迅速的发展，截止2004年底，我国的证券投资基金已发展到154只。面对不断增加的基金，基金投资者的选择范围来越大，选择的难度也越来越大。因此，一个准确的基金分类是必需的，因为有效的基金分类可以帮助投资者将其资金分配到不同类别的基金中，以期达到分散风险、获得合意的收益的效果；同时，基金所属类别的变化在很大程度上反映了基金绩效持续性，这也是投资者非常关注的一个问题。目前，对基金业绩进行分类，主要采用基金投资的标的的原则。如西班牙的证券市场全国委员会（CNMV）按照基金投资的对象及相应的比例把基金分类十类，国内的中信基金评价系统将国内所有的基金分成股票基金、债券基金、混合基金、货币基金和指数基金五大类，银行证券将开放式基金分为偏股型、股债平衡型、偏债型和债券型四大类。但是国内外一些学者研究发现，多数基金的类别与其宣称的有很大的差异。Marathe and Shawky (1999)使用多元统计中的聚类分析方法，对美国的共同基金进行分类，发现美国43%的基金的风格与其宣称的不同。类似的结论也出现在Kim、Shukla、Thomas (2000)，刘煜辉和熊鹏（2003）的研究中。因此，学术界逐渐倾向于采用基金市场表现的相关指标对基金进行分类。现有的根据基金市场表现相关指标对基金进行分类的方法，主要是采多元统计方法。但是，多元统计的分类准确率并不高。因此，本文拟采用在拟合数据数据方面具有很高优越性的神经网络方法对基金进行分类，所依据的指标为基金在市场上表现的几个主要指标平均收益率、系数、标准差、詹森系数，所有指标皆为季度数据，相关数据则来自深圳市天软科技开发有限公司的金融分析.NET数据库。二、基于神经网络的基金分类模型该基金分类模型首先是利用SOM神经网络对基金进行聚类；然后利用该结果训练LVQ神经网络，从而建立完整的基金分类模型。由于SOM神经网络本身无法决定聚类数目，因此，在决定最佳分类数方面采用轮廓系数算法(silhouette coefficient)来评估。1.SOM神经网络SOM神经网络是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出的类似大脑思维的一种人工神经网络方法，它是一种竞争学习算法，可以被认为是一种从N维模式空间各点到输出空间少数点的映射。这一映射由系统本身完成，没有外部的监督，即聚类是以自组织的方式实现的。SOM采用无监督方式训练，训练完成后，分类信息存储在网络各节点连接权值向量中，与权值向量相似的输入向量将分为一类。具体算法见。2.轮廓系数(silhouette coefficient)由于SOM 采用无监督方式训练，无法事先确定分类的数目，因此必须采用某种分类效果的参数进行评价。本文采用常用的轮廓系数（Kaufman，Rousseeuw 1990）来评估SOM网络的分类效果。在计算轮廓系数时，先考虑在各个分类数k下，每个点(样本)分到适当的类中的效率，然后把对求平均值，的值越接近1说明把样本分成k类的效果越好。某个点的计算方法如下：记a为点i与所在类中其它点的平均距离，记b为点i与最接近点i所在类的类中各点的平均距离，则当时，当时，一般来说第二种情况是不会出现的。的取值范围聚类效果关系如表1.轮廓系数聚类效果0.71-1.00分类是高效率的、令人信服0.51-0.71分类合理0.26-0.50分类缺乏说服力0.25没有任何实际的分类表1.轮廓系数与聚类效果关系3.LVQ神经网络LVQ神经网络是相当新的类神经网络模式，自1988年Kohonen提出此模式以来，由于这种网络学习速度比倒传递网络(BPN)快，而且可以提高SOM网络识别的正确论，因此颇受重视。LVQ分类器可以将输入空间分成几个不相交的区域。当有足够的输入矢量和适当数目的参考矢量时，LVQ 的分类边界最终会逼近最佳贝叶斯决策边界。LVQ神经网络主要LVQ1和LVQ2两种算法，一般情况下两种算法得出的结论差不多，本文采用LVQ1算法，具体算法见。三、数据处理与分析本文分析的对象为我国2003年10月1日以前发行的54只开放式证券投资基金，研究区间为2003年第四季至2005年第1季度。为了增加神经网络训练的样本数，从而提高神经网络的准确率，取考察区间中基金表现最优、中等和最差的三个季度共162个样本训练神经网络。1.使用SOM网络对全部样本进行聚类分析。由于SOM网络必须事先知道分类数，因此采用测试法。使用SOM网络分别分析分类数为2-10的九种情况，然后通过计算得出各情况下的轮廓系数。该过程在Vector Xpression3.0软件平台上实现相关计算。通过比较得出，当然分类数k为4时，轮廓系数取最大值0.8562，这种分类结果是令人信服的、有效的。分类结果具体情况见表2。根据各类基金的指标值，可以做相应的命名，便于记忆：第一类的平均收益率为负值且詹森指数很小，可命名为“低绩效基金”；第二类基金系数及标准都较小，且很小，说明受市场波动影响极小，可命名为“低风险基金”；第三类基金的各指标均处第二位，略优于所有基金的平均值，可命名为“稳健基金”；第四类基金的平均收益率及詹森指数都最大，可命名为“高绩效基金” 类别指标（均值）第一类（34个）第二类（41个）第三类（35个）第四类（52个）平均收益率-6.03%1.01%2.03%10.03%系数0.563 0.1290.585 0.555标准差0.8260.2601.323 0.962詹森指数0.005 0.0060.035 0.094 命名低绩效基金低风险基金稳健基金高绩效基金表2.SOM神经网络分类结果2.使用LVQ网络对聚类结果进行判别并预测。把162个样本分为两部分，一部分为100个训练样本，另一部分62个为测试样本，用来测试LVQ网络的预测准确率，该过程在Matlab6.5软件平台上进行。通过对训练次数不同时的分类准确率进行比较，得出当网络训练200次以后时，LVQ网络分类的误差趋于稳定。LVQ网络训练200次，误差变化过程如图1，这时网络的误差为0.02。利用训练好的LVQ网络进行预测的结果为：把把2个训练样本错误的归到相邻的类中，准确率为98%，把3个测试样本错误的归到相邻的类中，准确率为95.16%，这样全部样本预测的准确率为96.91%。这说明利用神经网络进行基金业绩分类取得较好的效果。图1.LVQ网络误差较长四、基于神经网络模型的我国基金分类情况分析利用训练好的高准确率的神经网络模型分别对54只开放式基金的五个季度所属类别进行计算，整理结果见表3。经分析，我们可以得到以下结论：1. 开放式基金的业绩波动幅度较大、持续性差。在研究区间，超过60%的基金的业绩跨越3个以上的类别，极不稳定。只有6基金（占11.11%）保持所属的类别不变，这些基金分别是华夏债券、国泰债券、招商债券、景顺债券、南方避险五只低风险基金和嘉实增长一只高绩效基金。跨越类别数1234基金数量615312百分比（%）11.11%27.78%57.41%3.70%表3.开放基金业绩波动情况2. 以债券为投资对象的基金（债券型基金）市场表现平稳。所考察的9只债券型基金有5只基金始终属于第二类型基金，其他4只基金也只在二个类型之间变换，这相对整个开放型基金业是很平稳的。3.我国的基金业投资逐渐趋于理性。虽然我国开放式基金的业绩波动幅度较大，每个季度所属类别发生变化的基金还占50%以上，但是我们可以看到，随着理性投资理念的逐渐建立，所属类别发生变化的基金数目趋于减少，具体变化情况见图2。这说明，我国的开放式基金正在从极不稳定的变化中走向理性发展。图2.五个季度中类别发生变化的基金的数目及比例五、结论本文通过运用我国2003年10月1日前发行的54只开放式基金的相关数据，建立一个分类准确率较高的混合神经网络模型，这个模型在测试样本和全部样本中分类的准确率均高于95%，达到预期的效果。能实现较高的分类准确率是由神经网络的强逼近任意函数的特性决定的。这说明该混合神经网络模型可作为基金分类的有效工具。应用该模型对54只基金五个季度的数据进行分析，我们发现我国开放式基金的业绩波动幅度较大，但随着理性投资理念的深入人心，这些基金也逐渐走向理性发展方向。参考文献：David Moreno,Paulina Marco,Ignacio Olmeda.Self-organizing maps could improve the classification of Spanish mutual ，2005.Marathe,Shawky.Categorizing mutual funds using clusters.J Advances in Quantitative Analysis of Finance and Accounting 7 (1),199204,1999.Kim, Shukla,Thomas.Mutual fund objective misclassification.J Journal of Economics and Business 52 (4),309324, 2000.刘煜辉,熊鹏.走出基金分类的误区J，银行家2003年11期.Simon Haykin.神经网络原理MP292，机构工业出版社，北京，2004年.Kaufman L，Rousseeuw P. Finding Groups in Data：An Introduction to Cluster AnalysisM，New York: John Wiley and Sons，1990.Struyf,Hubert,Rousseeuw.Clustering in an Object-Oriented EnvironmentJ，Journal of Statistical Software，1(Issue 4)，1-30, 1996.Martin T.Hagan等：神经网络设计MP295-299，机构工业出版社，北京，2002年.On Classifying Investment Funds in ChinaAbstract: The text first utilize the Self-Organizing Feature Map network (SOM)to carry out the cluster on 54 open-ended funds that our country issued before October 1 , 2003;then use the results to train the Learning Vector Quantiza