量化投资 课件 第8、9章 基于信息的预测、事件驱动的量化投资

基于信息的预测刘宏志教授l

时间序列数据时间序列(time

series)：按时间顺序记录的同一个(或一组)变量的一系列观测值时间序列数据组成：由观测时间t和观测值y两部分要素组成时间要素t表示观测的时间（时间点vs时间段）数值要素y表示观测变量的取值（数值vs向量）时间t……观测值y……时序分析流程画出时间序列图观察序列的走势的规律，选择合适的拟合或预测方法选择性能评估方法和指标，并确定相应的目标函数构建数学模型求解或估计模型参数，并评估模型的应用效果时间t……观测值y……

自回归模型自回归模型

移动平均假设：时间序列是局部平稳的且具有不变或缓慢变化的均值基本思想：采用移动的（局部）平均值来估计序列平均值的当前值，并用它来预测下一时刻（或时期）的情况常用模型：根据预测时使用的各元素的权值不同，可构造不同模型简单移动平均、加权移动平均、指数平滑法

ARIMA模型

以自回归为主，差分用于使其满足平稳性，移动平均用于修正预测误差时序平稳性背景：自回归模型假设时间序列满足平稳性时序平稳性时间序列的均值、方差和协方差等统计特征不随时间的推移而发生变化即时间序列内含的规律和逻辑在被预测的未来时间段内能够延续下去实际情况：通常时间序列不满足平稳性，特别是存在明显的增长或下降趋势时平稳性检验方法：观察法、单位根检验法等平稳化方法：差分法、对数变换、平滑法、分解法等差分法

差分阶数基本思想：差分阶数越高，序列越平稳，但每次差分都会导致一定信息丢失满足平稳性要求的条件下，差分阶数越低越好平稳性检验方法：观察法：通过查看差分后的时序图判断序列是否平稳单位根检验法：ADF检验（AugmentedDickey-Fullertest）ARIMA模型:AR&MA

案例：黄金价格预测黄金作为一种重要的投资标的数据：以2001~2008年共计8年的数据作为训练集以2009~2010年共计2年数据作为测试集预测性能评测指标：平均绝对误差MAE和均方根误差RMSE预测方法：简单移动平均、加权移动平均和ARIMA模型案例：黄金价格预测阶数选取：简单移动平均和加权移动平均中的阶数p分别取3、6和12ARIMA模型使用R语言中的auto.arima()函数，根据训练数据自动选择自回归阶数p、差分阶数d和移动平均阶数q权值：加权移动平均使用R语言中WMA()函数的默认权重ARIMA模型使用R语言中的auto.arima()函数在训练集上学习权值算法简单移动平均法加权移动平均法ARIMAp=12p=6p=3p=12p=6p=3p,d,q=0,2,1RMSE111.6166.6536.7181.4848.4624.9136.10MAE102.0056.8130.5173.5539.6120.9230.05案例：黄金价格预测算法简单移动平均法加权移动平均法ARIMAp=12p=6p=3p=12p=6p=3p,d,q=0,2,1RMSE111.6166.6536.7181.4848.4624.9136.10MAE102.0056.8130.5173.5539.6120.9230.05基于循环神经网络的时序分析循环神经网络循环神经网络RNN：一种包含循环的神经网络模型可以看作是一个随着时间推移重复发生的网络结构循环神经网络和传统神经网络的异同：都是由输入层、隐藏层和输出层三部分组成RNN的隐藏层有一个箭头表示数据的循环更新，以达到记忆的目的循环神经网络

循环神经网络：参数学习

长短期记忆网络（LSTM）

长短期记忆网络（LSTM）

门控循环单元网络GRU

案例：股票价格预测数据：2010年1月至2020年12月贵州茅台股票的每日开盘价，共计2668条数据以2010~2018年共计9年的数据作为训练集，共2181条数据以2019~2020年共计2年数据作为测试集，共487条数据预测性能评测指标：RMSE、MAE、MAPE预测方法：RNN、LSTM、GRU案例：股票价格预测

案例：股票价格预测模型均方根误差RMSE平均绝对误差MAE平均百分比误差MAPERNN261.8196.613.6%LSTM116.788.66.3%GRU34.825.92.1%事件驱动的量化投资刘宏志教授

动机与思想动机：特定事件的发生会在一定程度对市场或特定资产的价格产生影响基本思想：事件驱动从各种可能影响资产价格的事件和相关资产的价格数据中挖掘规律并利用这些规律进行选股和/或择时事件范围：任何有可能影响股票市场的事件、新闻、公告等例如：政策的制定与调整、宏观经济指标数据的公布、企业相关的正面或负面新闻的报导、定期或不定期的各类企业公告的发布等基本假设：市场是弱式有效的或是存在局部失效事件驱动策略：以事件作为主要信息源，通过挖掘和分析可能导致股价显著变化的事件与规律，并在此基础上进行选股和/或择时以期获得超额回报。一般流程确定事件集：根据实践经验或理论知识确定待使用的事件或事件集合事件研究：分析事件的发生是否会产生能够带来超额收益的机会和对应的持续时长策略构建：利用通过显著性检验的事件构建相应的投资策略回测分析：通过回测分析来检验策略效果事件研究法动机与思想动机：事件的发生是否会产生能够带来超额收益的机会？若能产生，则需进一步明确该收益是否可以持续存在？基本思想剥离宏观、中观和公司基本面对资产价格波动的影响，

仅研究单一主题事件发生在特定时间范围内的影响通过研究特定事件发生前后资产收益率的变化，

并利用资产收益率出现的异常反应来分析事件的影响主要步骤（1）定义事件与研究假设（2）设置事件研究窗口期事件窗口：事件可能产生影响的时间窗口，一般选择事件发生前后的一段时间，并将事件发生日记为t=0。估计窗口：用于确定正常期望收益率估算模型及其参数的时间窗口，一般选择事件发生前的一段时间。主要步骤（1）定义事件与研究假设（2）设置事件研究窗口期（3）选择研究样本根据研究对象和研究目的确定样本选取标准，并据此收集数据为剥离其他因素影响，需剔除有其他重大事件发生时段的样本或是选择时间足够长、覆盖各种情况的样本集，以期望其他正负事件样本的影响相互抵消主要步骤（1）定义事件与研究假设（2）设置事件研究窗口期（3）选择研究样本（4）选择或构造正常期望收益率估算模型（5）估算异常收益率（6）检验异常收益率的显著性和稳定性主要步骤：估算正常收益

主要步骤：估算异常收益

时间t0123412.33%10.29%7.10%8.08%9.93%-0.14%0.36%3.40%2.19%2.21%12.47%9.93%3.69%5.89%7.72%39.71%主要步骤：估算异常收益

n表示样本个体的数量实例：定向增发事件时间窗口累积异常收益率均值CAAR累积异常收益率方差t检验p值[-10,0]1.44%0.00188%0.10759[1,2]-0.88%0.00019%0.00101[3,45]6.29%0.03700%0.00004事件驱动策略单事件驱动策略(1)选择合适的事件持续性（容易把握但频率低）vs短期（频率高但难以把握）(2)确定持仓时长（事件影响窗口）基于历史样本数据，画出AAR和CAAR走势图，结合统计检验(3)设计资金的分配与调整机制假设每次事件发生能够带来的收益相同一般会采用平均的资金分配策略多事件驱动策略动机：提高资金利用效率，避免资金长时间处于空仓状态降低单事件模型的回撤，在单事件失效时对冲风险常用做法：分账号投资：将资金分配到不同的子账号，每个账号负责一个单独的事件分优先级投资：赋予不同事件不同的优先级，并以投资高优先级事件为主，当有资金空闲时才投资低优先级事件股票案例：多事件驱动量化策略事件选择与研究假设事件选择：业绩预增、要约收购、分析师上调评级假设：投资业绩预增、要约收购、分析师上调评级事件发生的股票能够带来正向超额收益单一事件结果存在不确定性，例前期市场对某股票过于看好，但实际业绩预增不及预期，则该事件可能会使股价下跌通过综合多事件能够更加准确地预判市场未来走势，降低单事件模型导致的回撤，并提高资金利用效率数据获取与分析样本内数据：2019年1月1日至2020年12月31日发生业绩预增、要约收购、分析师上调评级事件的沪深A股样本外数据：2021年1月1日至2021年12月31日发生业绩预增、要约收购、分析师上调评级事件的沪深A股估计窗口：事件发生前250个交易日至前1个交易日事件窗口：事件发生日至后100个交易日事件影响窗口：业绩预增累积异常收益率在公告日后27个交易日达到1.19%，交易成本为0.16%，复利年化收益率为9.99%，年化风险为1.20%，频率61次事件影响窗口：要约收购累积异常收益率在公告日后63个交易日达到11.03%，交易成本为0.36%，复利年化收益率为49.51%，年化风险为3.94%，频率4次事件影响窗口：上调评级累积异常收益率在公告日后7个交易日达到3.53%，交易成本为0.24%，复利年化收益率为170.91%，年化风险为3.53%，频率9次回测结果事件数量策略类型超额收益年化收益波动率最大回撤夏普比率信息比率单事件业绩预增28.06%24.36%0.1187.72%1.7241.593要约收购37.73%34.00%0.1818.84%1.6551.62