风格替换策略一种具有潜在收益的金融策略

风格替换策略一种具有潜在收益的金融策略

1风格交叉策略的发展策略是将具有相同特性的股票归类为一组，然后对不同组的股票进行不同的性质。同种风格的股票在一段时间具有相同的收益/风险特征,不同风格分类里的股票隐含不同的收益/风险特征。在投资实践中,一般把投资于具有相同股票风格的投资行为视为风格投资。近30年,大量学术研究集中于对风格投资潜在收益进行理论与实证研究,成果显著。20世纪90年代中后期,随着欧美市场的繁荣兴旺,在市场非有效性和市场异象理论研究支持下,股票风格投资迅速兴起。不同的基金经理由于对股票风格有不同的偏好,形成了各自不同的投资风格。人们还普遍相信,基金经理可以通过风格轮换来增加投资收益。与此同时,越来越多的实证研究表明价值股和成长股、大盘股和小盘股在不同时期存在显著的收益差异,而且累计收益显示价值型组合和小盘股组合表现更为优越,从而产生所谓的价值溢价和规模溢价市场异象。伴随着对这些市场异象的深入研究,极大推动了投资风格的形成,也为风格轮换策略的进一步发展奠定了理论研究基础。中国学者已经通过实证研究发现中国股市同样存在着小盘股效应等市场异象,相关研究可参见宋颂兴、汪炜、余坚、邓可斌、郭磊和陈浪南等的文献。邓可斌和陈浪南等发现,中国股市在不同时期分别存在小盘股效应和大盘股效应,这显示出在中国股市进行规模风格轮换策略的可能性。任开宇对沪深股市的研究表明,在中国股市中采取大盘/小盘轮换策略的投资绩效显著,而采取价值/成长轮换策略的投资绩效远不如采取买入并持有价值股的消极投资策略。然而,至今没有学者对2005年～2009年中国股市风格轮换策略的有效性进行实证研究。对此,本研究利用支持向量机方法构建风格指数收益的预测模型,根据预测结果构建风格轮换策略,并将这种积极风格投资策略与消极的风格投资策略进行业绩评价。2风格轮对投资策略的影响早在20世纪70年代后期,Basu发现在1957年3月～1971年4月期间,低市盈率的股票表现显著优于高市盈率的股票;Keim和Rosenberg等强调市盈率和市净率各自的适用性;Chan等指出价格现金流比率对日本股票预期收益的显著影响。所有上述这些比率均被视为价值特征,因此具有较低这些比率的股票被标识为价值股,而具有较高这些比率的股票被标识为成长股。公司规模也在股市预测中扮演重要角色。Banz发现小盘股比大盘股具有更高的股票收益;Bhandari指出,在1948年～1979年间那些较高资产负债率的公司股票表现优于较低资产负债率的公司股票表现;Fama等提出一个三因素模型,并认为市净率和规模变量对股票市场回报有较好的解释力,这两个指标变量是市值的规模(用股票市值大小衡量)和公司相对资本成本(用账面价值与市场价值的比率),第一个指标衡量公司是大盘股还是小盘股,第二个指标能够将成长股和价值股区分开来。然而,实践证明这种消极的持有小盘股和价值股的风格投资策略业绩在20世纪90年代并没有显示出持续优越性,而且有证据显示规模溢价和价值溢价呈现出显著的短期变化。从国际经验看,把自己定位于某种风格投资并非是最优的策略,进行风格轮换对战略资产配置和股票组合管理都具有明显的优势。由于缺乏风格一致持续性,现在投资界普遍认为进行风格轮换是一种有效投资策略,因为这种策略一方面可以避免因消极持有某一风格资产而面临的风险,另一方面可以及时捕捉其他风格资产的短期收益。一直以来有关风格轮换策略的研究文献相对较少,而且大多文献中的实证研究对象为美国和英国的股票市场。Levis等发现英国股市适合采用大/小盘轮换投资策略而不适合采用价值/成长轮换投资策略。Amenc等提到一种利用风格指数的市场中性投资策略,利用稳健动态多因素建模方法预测成长/价值收益差和大盘/小盘收益差,并利用S&P风格指数的交易型开放式指数基金(ETF)进行实际投资效果的检验;根据他们的投资规则,在2000年6月～2002年12月期间取得了10.90%的年均收益和4.71%的年波动率,远远超过同期S&P500的收益(-18.03%)和波动率(18.72%),同时该策略具有很低的下方风险和较高的夏普比率。Chen通过建立MarkovSwitch模型对美国标准普尔指数进行实证研究,认为采取规模风格轮换策略和价值/成长轮换策略的投资绩效一般。Bauer和Georgi分别研究日本和美国股市的风格轮换策略的有效性,他们采用多次统计学习方法形成了风格轮换策略模型,并取得较好的风格投资收益。任开宇在Logistic模型的基础上,采取逐步回归法选择最佳模型,建立风格轮换策略模型,并利用该模型对中国股市进行实证研究,结果表明中国股市适合采取规模风格轮换策略而不适合采取价值/成长风格轮换策略。显然,Fama等提出的三因素模型开创了识别投资风格类型的先河。规模溢价和价值溢价的实证结论支持了买入并持有的消极投资风格策略,但有关规模溢价和价值溢价的表现周期差异和缺乏持续性的特征又使积极的风格轮换策略应运而生,后者已经成为20世纪90年代以来研究的热点。综上所述,在研究对象方面,现有研究主要以欧美和日本等发达资本主义国家的成熟股市为研究对象。中国作为社会主义发展中国家,其资本市场还是一个新兴和转轨的市场,这注定了政策市、全民市、博弈市、震荡市和过渡市是其主要特征。对这种新兴资本市场的研究将有助于进一步拓展有关风格轮换投资策略的内涵和外延,为风格轮换策略有效性的国别差异比较提供实证依据。在研究时期方面,自2005年4月底开始,中国启动股权分置改革以来,困扰中国资本市场多年的股权流通问题得以逐步解决,改变了中国资本市场的股权结构,对股市走势产生重大影响。在2000年～2009年间,中国股市相继经历了史上罕见的熊牛更迭的深幅震荡,以此为研究时期,不但具有完整的周期性,同时也包含了股权分置改革前后中国股市的不同表现,这些均有助于提高本研究的可靠性和代表性。因此本研究将对中国股市在2005年～2009年间的风格轮换策略有效性进行实证研究。在研究方法方面,本研究采取支持向量机分别建立基于中国股市的规模溢价和价值溢价预测模型,并根据预测结果构建规模风格和价值/成长风格轮换策略,同时将这种风格轮换策略的投资绩效与其他消极投资风格策略绩效进行全面比较,以强化研究结论的稳健性。在模型自变量选择方面,除充分借鉴国外现有文献的研究结论外,基于中国国情增加了汇率和市场溢价的变量,这主要是考虑2005年中国启动汇改制度以来,中国人民币汇率加速升值,对出口型企业效益造成冲击,同时境外热钱不断涌入中国股市,通过市场溢价对股市走势造成影响。3确认方法3.1对中国投资管理的改进实施风格轮换策略最为核心问题在于预测能力的准确度,目前国内外的研究主要通过建立因素模型来预测风格资产间的收益差,从而根据这种预测结果实施风格轮换策略。对于因素模型的建立,最重要的是需要确定采用什么建模技术和因素变量。在现有关于投资风格轮换策略文献中主要存在3种建模技术,即Logistic模型、MarkovSwitch模型和支持向量机模型。Logistic模型是一种广义线性模型,它克服了Mantel-Heanszel分层分析的缺点,即网格中实际频数一部分为零,另一部分很小,这给OR估计值的计算带来困难和偏信。这种模型分析的重点是放在参数的解释上,先是从理论层面上筛选出有经济意义的解释变量,然后采取相应的统计方法选出最佳模型。Logistic模型也存在一定的局限,一般要求因变量是二种类型变量,回归所得的参数并没有直接经济意义,需要结合模型得出因变量状态取得的概率来解释,一旦因变量是多水平的定型变量,统计上的处理将非常复杂;在面临多个自变量时,自变量个数的合理选择并没有统一的标准,虽然逐步回归法可以确定最佳模型中的自变量个数,但是拥有最佳拟合度的模型往往伴随着较差的推广能力,如何处理模型的复杂性与推广能力之间的矛盾依然有待解决。MarkovSwitch模型比较适合于短期预测,但由于该模型对分析数据的频率和历史长度等方面要求较高,同时也不具备采用逐项选择法构建最佳模型的功能,导致检验效果较差,这些局限使得该模型在实际中应用较少。支持向量机是目前最新的统计学习方法,也是最新的人工智能算法,与上述模型相比,其最大的优点在于具有处理小样本数据的分类和预测功能,目前从预测和分类的效果看是最佳的;并且能较好处理模型的复杂性与推广能力之间的平衡,从而克服其他大多数模型存在的问题,即对历史数据有较高拟合度而对样本外数据的推广能力较差。本研究认为,经济学理论虽然能帮助我们构建模型或选取变量,但无法帮助我们对相关的数据进行深入的挖掘分析,而数据之间的相关性是大量统计方法得以存在的基础。与传统统计方法对数据进行降维处理不同,支持向量机算法采用增维的做法,它是一种具有统计学习能力的人工智能算法,实践表明其分类和预测精度优于传统方法。汪东提出基于支持向量机的行业专家选股方法,并与传统的主成分法相比较,结果发现,在沪深A股中的29个行业进行选股投资,模拟结果表明5年中投资组合超越上证综合指数37.2%,这在一定程度上表明支持向量机在中国金融领域进行投资应用的有效性。因此,本研究采用支持向量机对中国股市的价值溢价和规模溢价进行预测,同时将这种基于预测模型而构建的积极风格投资策略与几种消极的风格投资策略进行业绩比较,从而对各种策略进行综合评价。本研究采用的支持向量机分析软件为LIBSVM2.86版,该软件由台湾学者Chih-ChungChang和Chih-JenLin开发。3.2影响变量的相关性在一般情况下,因素模型中的解释变量之间必然存在某种程度的相关性,所以要想单独分离出单个因素对被解释变量的影响程度是比较困难的,而且这些因素变量之间的相关性又随着时间的变化而变化。本研究将探讨相互作用的因素变量作为一个整体对模型的影响程度,即总体上这些因素变量在指定的时期内对被解释变量(价值溢价或规模溢价)的预测准确程度,支持向量机能够从各种相互作用的因素变量中萃取出有用的信息。3.2.1采用申银万国的风格指数系统,建立以市场本研究采用支持向量机模型来预测被解释变量,即价值溢价和规模溢价。考虑到历史数据长度的要求,采用申银万国的风格指数系列,采用大盘指数与小盘指数之间的月度收益差代表规模溢价,用低市净率风格指数与高市净率风格指数之间的月度收益差代表价值型股票与成长型股票之间的收益差(价值溢价)。研究时期为2000年1月～2009年3月。3.2.2价值溢价与经济增长的关系影响价值型股票和成长型股票收益的因素很多。Bauer等认为只有对股市收益产生影响而且又具有一定经济解释意义的因素变量才能归为模型的解释变量,但至今学者在有关因素模型解释变量的解释力、影响程度以及影响方向是否会随时间的变化而变化方面一直没有达成共识;Bauer等还发现在他们所选的17个因素中,有些因素在某特定的时期内显示出较强的解释力,而在另外的时期内解释力明显下降;Levis等认为,有充分的实证和理由表明价值溢价与经济宏观因素密切相关;Asness等认为具有经济意义的解释变量依然无法确定因素变量之间的关系是真实的还是数据之间的人工处理。根据现有的研究成果和中国股市的实际情况,本研究采用15个因素变量构建因素模型,这15个因素变量分为经济型因素和技术型因素两大类,有关技术因素的选取主要借鉴Levis、Asness、Maggie和Chan等的研究,有关经济因素的选取主要借鉴任开宇、Levis、Bauer和Kao等的研究。详细情况见表1。(1)价值型组合Levis和Asness等认为,滞后一月的价值溢价变量对价值溢价来说是一个重要的预测指标;Maggie等发现在芝加哥期货交易所市值波动指数上涨(下跌)期间,价值型组合表现优于(劣于)成长型组合,他们认为对未来的不确定性加大时,将导致投资者对成长型股票失去信心,转而偏好于价值型股票;Chan等研究了在股票价格走势中是否存在动量趋势(也即过去表现优越的股票在平均水平上依然将继续超越过去表现差的股票),他们发现市场对新信息的响应较慢。这些研究结论为价格动量投资策略的可获利性提供了有力的证据,并进一步拓展到价值型和成长型的投资组合中去,结果显示过去的赢家(输家)倾向于成长型(价值型)股票。(2)风险溢价根据相关研究可知,价值溢价的一个重要影响因素是总体的利率环境。长期利率与短期利率之差越大,企业预期利润将下降,其中成长型企业受到的冲击相对更大,因此它们的未来预期收益相对价值型企业在长期上将大打折扣。Macedo认为股票风险溢价(对股票市场收益或个股收益来说,必须提供超过无风险债券的收益,以此来补偿面临的市场风险)是未来风格表现的最有力的解释变量;他认为一个高风险溢价对应于高风险组合,既然价值型股票被认为具有更高的风险水平,那么在股市风险溢价较高时它们应该表现更优越。股市风格溢价的稳定上升将降低投资者对未来的信心,也影响成长股,因为成长股的利润一般被寄希望于未来的发展上。另一个对价值溢价有较大影响的因素是通货膨胀率。另外Sorensen等发现,工业产值增加值变量、利率与价值溢价之间存在正向关系;Kao等认为,在低市盈率并伴随着高利率环境下,价值股表现优于成长股。学者们进一步考虑到信贷利差,并认为在一个普遍默认经济衰退的环境下,成长股表现将优于价值股。Lucas等更是考虑到经济周期因素的影响,采用美国经济周期景气指数来反映经济周期,并假设在一个不断变化的经济环境中,成长股更能灵活应付并从中获利。根据以上研究结论和中国具体情况,本研究选取如表1所示的因素变量。3.3分析框架设计(1)数据预处理在选定模型因素变量后,对变量数据的预处理决定了数据质量的好坏,同时也对后面的最佳参数计算影响很大。把数据转换成Libsvm软件所要求的数据格式,该软件使用的训练数据和检验数据文件格式为<label><index1>:<value1><index2>:<value2>…<index15>:<value15>其中,<label>为训练数据集的目标值,采取分类的做法,如在该期内小盘股表现优于大盘股(价值股表现优于成长股),目标值label取1,否则目标值取-1;<index>为目标值的影响因素名称;<value>为实数,也就是常说的因素变量,采用15个因素变量。在准备好训练数据、检验数据和预测数据后,使用Libsvm软件中的数据缩放功能模块将所有数据进行统一缩放,把每个自变量值缩放到之间。(2)考虑选用合适的核函数,然后用交叉验证法选择最佳参数C与g采取不同的核函数将导致不同的支持向量计算法,只有首先选择合适的核函数,将数据投影到合适的特征空间,才可能得到推广能力良好的支持向量机分类器。目前常见的核函数有多项式核函数、高斯核函数和Sigmoid核函数,由于高斯核函数可逼近任意非线性函数,所以本研究采用高斯核函数的支持向量机研究。支持向量机最佳参数的选择属于分类算法内容,其重要性不言而喻,参数的取值直接影响到分类器的学习能力和推广能力。通常通过计算分类器的推广误差来衡量参数的优劣,常用的方法有K重交叉验证和留一法。K重交叉验证法是最普遍的计算推广误差的方法之一,其过程为将训练样本集随机分为K个集合,通常分为K等份,对其中的K-1个集合进行训练,得到一个决策函数,并用决策函数对剩下的一个集合进行样本测试。该过程重复K次,取K次过程中的测试错误的平均值作为推广误差。本研究采取5重交叉验证法计算在训练期中具有最佳学习能力和推广能力的模型参数。在用支持向量机进行分类或回归时,较重要的参数有C和g,用Linsvm软件包中的参数优化功能模块完成对参数C和g的计算。误差惩罚参数C的作用是在确定的数据子空间中调节学习机器置信范围和经验风险的比例,以使学习机器的推广能力最好。(3)采用最佳参数C和g对整个训练期进行训练,以建立支持向量机模型在建立支持向量机模型的过程中,一般涉及到训练期和预测期的时间长度选择问题。为了能充分比较各种做法的优劣,采取3种做法,并根据这3种做法在检验期内的预测准确率选择最优的方法。第一种是固定长度的静态训练期(2000年3月～2004年12月,共58个月),预测期为2006年1月～2009年3月;第二种是固定长度的动态训练期(训练期长度固定为58个月),预测期为随后的3个月,每次预测完训练期也随之向前推进3个月;第三种是不断延长的动态训练期,训练期长度每次增加3个月,从开始的58个月一直增加到106个月,预测期为3个月。通过检验期的预测结果比较,本研究发现无论是在规模风格轮换模型中还是在价值/成长风格轮换模型中,第三种做法的预测准确率要明显高于其他两种,详见表2。因此,本研究采取该种方法建立风格轮换策略模型。(4)建立动态的风格轮换模型进行滚动预测,并根据预测结果构造相应的风格轮换策略,即全部资金买入预测期表现最佳的风格指数。(5)每次向前推进3个月,然后又重复(1)至(4),直至最后时期。风格轮换模型的时间窗口分布如图1所示。4投资策略设计根据所建立的风格轮换策略模型对下一期规模溢价和价值溢价的变化趋势进行预测,如果预测目标值为1,在下一期中全部资金买进小盘风格指数或价值风格指数;如果预测目标值为-1,在下一期中全部资金买进大盘风格指数或成长型风格指数。为了全面的评价该投资策略,设计几种投资策略以进行业绩评比,同时考虑所有投资策略的交易成本。交易成本是指买卖一次的双向交易成本,分3种情况,即没有交易成本、交易成本为1%和交易成本为2%。另外,本研究将整个A股市场的指数收益作为一个业绩比较基准,采取申银万国的A股指数。消极风格投资策略A,即整个时期内只持有价值股(小盘股);消极风格投资策略B,即整个时期内只持有成长股(大盘股);完美预测投资策略C,即假设一个具有完美预测力的投资者,其在每个月中都将持有最高收益的风格资产。4.1风格轮投资策略比较根据上述风格轮换模型在预测期间的预测结果形成基于规模风格的轮换投资策略,分别计算该策略在3种情况下(没有交易成本、1%的交易成本和2%的交易成本)的累计收益率,同时计算市场平均累计收益率以及策略A、策略B和策略C的累计收益率。各种策略在每个时期的累计收益率具体分布情况见图2。通过计算各种常见的投资绩效综合评价指标(夏普比率、特雷诺指标、信息比率和詹森指标等),进一步深入分析每种策略的风险收益情况,同时比较各种策略的优劣性,具体结果见表3。在图2中,具有完美预测力的投资策略累计收益率最高。由表3可知,在2006年1月～2009年3月期间,累计收益高达800.26%,即使考虑2%的交易成本,累计收益也达到594.03%,但这种策略现实中是不存在的,只能向我们展示风格轮换潜在的最大收益空间。在预测期间内,只持有大盘股或小盘股的消极风格投资策略累计收益均不如A股指数累计收益,而且规模溢价累计收益率只有3.61%,十分不明显;采取规模风格轮换策略的收益显著优于这两种消极的风格投资策略,也显著超越了A股指数。从均值年收益看,在考虑1%的交易成本情况下,风格轮换策略比消极持有大盘股策略要高13.27%,比消极持有小盘股要高12.71%,比整个A股指数要高10.29%。在考虑各种交易成本的情况下,规模风格轮换策略也比消极大盘或消极小盘策略更有优势。由表3可知,无论是从单纯收益率还是从综合评价指标(信息比率、詹森a值、特雷诺指标和夏普指标)看,规模风格轮换策略都是最好的,其次是消极持有小盘股的策略,最差的是消极持有大盘股的策略。因此,从短期上看,在中国股市中进行规模风格轮换策略是有效的,即使考虑交易成本后,该投资策略的绩效也会明显高于买入并持有的消极投资风格策略的绩效。4.2风险收益情况根据上述风格轮换模型在预测期间的预测结果形成基于成长/价值风格的轮换投资策略,分别计算该策略在3种情况下(没有交易成本、1%的交易成本和2%的交易成本)的累计收益率,同时计算市场平均累计收益率以及策略A、策略B和策略C的累计收益率。各种策略在每个时期的累计收益率具体分布情况见图3。通过计算各种常见的投资绩效综合评价指标(夏普比率、特雷诺指标、信息比率和詹森指标等),进一步深入分析每种策略的风险收益情况,同时比较各种策略的优劣性,具体结果见表4。图3中,2006年1月～2009年3月,具有完美预测力投资策略的累计收益率最高,达到886.98%。由表4可知,即使考虑2%的交易成本,累计收益率也达到594.03%。在其他几种策略中,消极持有价值股的策略收益最显著,在预测期间内累计收益率高达410.18%,显著高于价值/成长风格轮换投资策略和A股指数;表现最差的是消极持有成长股的策略,而且价值溢价累计高达157.35%,也远远高于