基于证券最高价和最低价可预测性的反转交易分析.doc

基于证券最高价和最低价可预测性的反转交易分析.doc

《基于证券最高价和最低价可预测性的反转交易分析.doc》由会员分享，可在线阅读，更多相关《基于证券最高价和最低价可预测性的反转交易分析.doc（5页珍藏版）》请在冰豆网上搜索。

〔摘要〕学术研究中关于技术分析是否有效的争论一直存在，近年来越来越多的研究为技术分析的有效性提供了理论和模型的支持。

本文以沪深300股指期货的日交易数据为样本，验证了最高价和最低价之间的分形协整关系和其差价的长记忆性特征，并基于分整向量误差修正模型（fvecm）的预测结果构建了一个利用压力支撑线原理进行日内交易的反转策略，证明了fvecm预测结果相较于其他模型的预测结果可以得到超额收益，为证券市场上的量化投资提供新的证据和参考。

　　〔关键词〕量化投资；沪深300股指期货；分形协整

　　中图分类号：

f83091文献标识码：

a文章编号：

10084096（2015）05008506

　　一、引言

　　奥斯本的随机漫步理论和法玛[1]的有效市场假说认为，技术分析是无效的，在证券交易中，一个根据证券历史价格构造的投资策略，不会比一个消极的买入并持有策略取得更好的收益。

然而，技术分析的支持者却认为，按照证券的历史信息进行交易会比仅仅跟随市场交易取得更高的收益。

近年来，国内外出现了很多支持技术分析有效性的实证研究，为技术分析提供了理论支持。

随着计算机技术的迅猛发展，技术分析通过与之结合，其应用范围与功效都得到了前所未有的进步，算法交易与量化投资作为市场上的新兴产物，得到了很多投资者的青睐。

　　量化投资在国外的发展已经有三四十年的历史，投资业绩稳定，市场份额不断扩大，得到越来越多投资者的认可。

然而，国内的量化投资领域还处于发展起步阶段，量化投资占金融投资的比重不超过5%。

随着中国2010年沪深300股指期货的出台，量化投资在国内市场的发展潜力逐渐显现，各大券商和机构投资者纷纷对量化交易展开深度研究。

　　随着2010年4月中国沪深300股指期货的推出，国内金融衍生产品市场逐渐完善，沪深300股指期货的上市交易宣告了中国股市不能做空的单边市场的结束，也为投资者提供了套期保值规避风险的工具。

同时，股指期货的上市，提高了对国内投资者的投资要求，机构投资者在交易中面临着更大的考验，因而新兴的算法交易和量化投资等投资策略在此时显现出更大的优势和更好的发展前景。

　　本文对沪深300股指期货的日开盘价和收盘价数据进行研究，发现了二者之间的分形协整关系，通过建模、预测，构建一个基于最高价和最低价之间关系的量化投资反转策略。

在理论意义上，本文将分形协整的概念应用于对证券价格的预测中，将局限于整数维差分的误差修正模型拓展到基于分数维差分的分整误差修正模型，提高了预测精度，为日后金融或其他领域的非平稳时间序列的研究和时间序列之间长期趋同性的研究拓宽了思路。

在实用价值上，本文提出的基于证券最高价和最低价预测的反转策略会为市场上的投资者提供一种新的参考方法和新的投资思路，有利于推行量化投资在股指期货市场的发展。

　　二、文献综述

　　国外的一些研究在几年前已经开始着眼于最高价和最低价之间的协整关系，brandt和diebold[2]认为最高价和最低价之间的差价是股价波动率的一个重要的指标，brunetti和lildholdt[3]将差价这一变量加入到一些随机波动模型中来获得有用的信息。

murphy[4]通过对投资者心理的研究分析得出了技术分析中压力线和支撑线的存在。

cheung等[5]认为差价的两个组成部分最高价和最低价也是值得深入研究的，他根据二者之间长期均衡的关系，提出了用向量误差修正模型vecm对其建模并预测。

1980年前后，陆续有学者将长记忆模型引入到经济和金融问题的研究中来，stakenas[6]针对一些存在长记忆性的时间序列，提出了分形协整的概念。

johansen和nielsen[7]提供了分整向量误差修正模型的条件最大似然估计方法，将传统的滞后算子l改进为分形滞后算子，估计出协整阶数d、b，调整参数矩阵α等参数。

caporin等[8]以美国道琼斯工业指数中的成分股价日数据为样本，运用分整向量误差修正模型估计了最高价和最低价并且证明了二者之间的分形协整关系，实现了分整向量误差修正模型在股票市场上的应用。

brock等[9]发现大多数的基于技术分析指标的交易策略与买入并持有策略相比，会得到更高的收益和更低的波动率，gradojevic和gentay[10]讨论了交易的不确定性，并用基于模糊交易的指标解决了这一问题。

　　近年来国内的一些研究将时间序列之间的协整关系转移到了分形协整关系。

孙青华和张世英[11]在一般的协整关系研究中加入了分形理论，解释了时间序列的长记忆性和分形协整之间的关系，提出可以据此建立相应的长记忆性协整系统的误差修正模型。

吴大勤[12]将一般时间序列的整数阶差分扩展到长记忆性序列中的分数维差分，以沪深股市为例，提出了长记忆性下的分形协整，进而将协整建模的技术同figarch结合，得出了二阶基础上长期均衡的一些性质。

赵进文和庞杰[13]通过实证分析证明了中国等发展中国家的股市大多存在明显的长记忆性，对中国内地a股和香港地区h股两个分隔市场分别建立能够反映其收益率波动的figarch模型，证明了两个市场的联动性。

曹广喜[14]以中国股市的长记忆性和分形特征为基础，分析宏观经济政策对股市波动性的影响。

以往的技术分析多是利用证券的日收盘价数据进行的，而王锦[15]证明了一个结合了最高价、最低价的股票预测方法比单纯的以收盘价为基础的预测方法有意义，因为它们分别代表了市场的支撑位与阻挡位，要比其他交易价格包含了更多的关于市场反转点的信息，并且通过var模型分析了最高价、最低价、收盘价三者之间存在着明显的协整关系。

技术分析中一个重要的方法就是基于压力线和支撑线的反转策略。

陈卓思和宋逢明[16]得到股票价格的局部极值点，结合murphy的研究说明了基于压力线和支撑线的反转交易策略是可行的。

谢丁[17]对六类压力支撑类股票技术分析指标进行了实证研究，通过计算股价波动与压力支撑类指标各分析量之间的相关关系，验证股价波动与该类技术指标的相关性，从而实证了压力支撑类指标的有效性。

　　从以上文献中可以看出，国内对分形协整研究的应用局限于不同市场间的收益率波动，而很少有研究单种证券日最高价和最低价之间的分形协整关系，而且一个结合了最高价、最低价的预测方法比单纯依靠收盘价更为可靠，因而本文将根据最高价和最低价的分形协整关系构造一个反转交易策略，并证明该策略的超额收益。

　　二、沪深300股指期货最高价和最低价的分形协整关系检验

（一）协整关系检验

　　协整过程是针对具有单位根的非平稳时间序列提出的。

对于一个n维向量时间序列yt，如果每一个分量序列yit（i=1，2，，n），均为一单变量单位根过程（即满足yit～i

（1）），且存在非零的n维向量α，使得各序列组成的线性组合α′yt为一稳定过程，即α′yt～i（0），则称向量时间序列yt是协整的，α为其协整向量。

以两个变量y和x为例，设y和x都是一阶单整序列，则eg两步法的具体检验步骤为：

第一步，利用最小二乘法估计模型，并计算相应的残差序列。

第二步，检验残差序列的平稳性。

　　常用的单整检验有df检验（dickeyfuller检验）、adf检验（augmenteddickeyfuller检验）和pp检验（phillipsperron）。

如果经过df检验（或adf检验）拒绝了原假设残差序列是平稳序列，则意味着y和x存在着协整关系；如果接受了存在单位根的原假设，则残差序列是非平稳的，y和x之间不可能存在协整关系。

　　2沪深300股指期货最高价和最低价的协整关系检验

　　本文对沪深300股指期货最高价和最低价数据进行协整检验，选取日数据，样本区间从2010年4月16日到2014年12月31日。

分别对沪深300股指期货最高价和最低价以及差价做adf检验，结果如表1所示。

　　从表1可以看出，最高价和最低价都是一阶单整序列，对二者线性回归后的残差序列μ进行adf检验，可以看出残差序列是平稳的，最高价和最低价之间存在协整关系。

对二者线性组合后的序列r=h-l进行adf检验，可以看出，差价r序列也是平稳的。

（二）长记忆性检验

　　hurst最先提出了一种长记忆性的度量方法――重标极差分析法（rescaledrangerstatistic，简称r/s统计量），mandelbrot对r/s统计量做进一步的研究。

设时间序列xt，则τ个时间序列观测点的极差为r（τ）=maxy（i，τ）-miny（i，τ），标准差为s（τ）={1τ∑τi=1[xi-（ex）τ]2}12，r/s统计量为q0=rτ/sτ。

　　plimτ→∞{τ-hr（τ）/s（τ）}=c

（1）

　　其中，c为常数，h为hurst指数。

h的估计公式为：

　　h=log[r（τ）/s（τ）]/log（τ）

（2）

　　当h≤05时，时间序列为短记忆性的；当h>05时，时间序列为长记忆性的。

　　用r/s分析法计算差价的hurst指数，可得05　　δdxt=（1-δb）δd-bαβ'xt+∑kj=1γjδdljbxt+εt

　　（4）

　　其中，l为分形滞后算子，lb=1-（1-l）b，本文中xt=（pht，plt），εt=（εht，εlt），α=（αh，αl）是调整系数矩阵，β=（1，γ）是协整向量。

α的分量表示变量对短期背离的调整程度，本文对长期趋势的短期背离可用差价来表示。

因此，此模型既拟合了证券最高价和最低价之间的长期趋同性，也包含了证券价格离散性的信息。

我们通过这个模型可以研究差价的长记忆性，可以根据过去的历史价格对未来的最高价和最低价进行更准确的预测。

　　本文假设d=1，表示强分形协整；β=（1，-1），从而最高价和最低价之间的协整关系是基于差价，即二者相减后序列是平稳性的。

如果b>05，差价平稳且为d-b阶单整。

如果b0，说明差价的加大会拉低次日的最高价，抬高次日的最低价，使得最高价和最低价之间存在长期稳定的相关关系，即分形协整关系。

αh的绝对值小于αl的绝对值，说明在这种长期均衡关系中，低价的反弹程度大于高价的降低程度。

这可以用行为金融学中投资者对表现较差股票的过度反应来解释。

（二）分整误差修正模型预测能力检验

　　diebold和mariano提出diebold-mariamo检验法。

假设两个模型的预测误差为e1，t和e2，t（t=1，2，3，…，t），g（e1，t）和g（e2，t）代表它们相关的损失函数，则两模型的相对损失函数可表示为d=g（e1，t）-g（e2，t）。

定义零假设h0：

e（dt）=0。

　　如果{dt}是协方差平稳和短记忆性的数列，则根据中央极限定理，可用下列分配：

　　t（d-u）→n（0，2πfd（0））（7）

　　其中，d为样本平均数，fd（0）为样本的零点谱密度。

检验统计量为：

　　dm=2πd（0）t（8）

　　其中，d（0）是fd（0）的一致估计，经过标准化后，dm检验统计量是近似n（0，1）的标准正态分布，dm检验统计量为负数且显著时，则表明拒绝零假设h0：

e（dt）=0。

　　根据fvecm模型的预测结果，我们构造一个基于最高价和最低价预测结果的反转投资策略，我们对2013年和2014年两年483个数据进行样本外预测，2010―2012年的数据估计出模型的参数后，用一步向前预测方法，预测出2013―2014年的最高价和最低价数据。

　　四、基于分形协整模型的反转交易策略分析

　　由于最高价和最低价是交易策略的核心组成部分，与压力线和支撑线的概念有紧密联系，我们利用上文模型的预测结果构造一个反转策略。

（一）反转交易策略分析

　　上文中对最高价和最低价的预测结果可以构造一个带状区间，我们将股价一日内的走势与基于差价的带状区间的交点作为买入和卖出的信号。

在一个给定的交易日内，价格向上穿过上界，则为卖出的信号，向下穿过下界，则为买入的信号，这种策略称之为反转策略。

这种策略也可以解释为从价格波动时的短期均值回复的流动性储备。

从前文