量化私募行業(yè)發(fā)展趨勢(shì)的組合預(yù)測(cè)研究

姚宇航 辜浩誠(chéng) 龍亞標(biāo) 余曉鑾

[摘 要]文章首先從私募證券基金角度出發(fā)，分析和預(yù)測(cè)了量化投資行業(yè)未來(lái)的發(fā)展趨勢(shì);針對(duì)存在突破點(diǎn)的機(jī)構(gòu)數(shù)量時(shí)間序列，在傳統(tǒng)的ARMA（1，1）模型基礎(chǔ)上，引入了干預(yù)分析模型，分析得出對(duì)時(shí)間序列的擬合效果較好。其次建立了線性回歸方程研究機(jī)構(gòu)數(shù)量和滬深300的關(guān)系，研究得出模型的擬合程度較高。最后為了進(jìn)一步提高預(yù)測(cè)模型對(duì)時(shí)間序列的擬合效果以及預(yù)測(cè)精度，文章將不同模型的預(yù)測(cè)精度作為預(yù)測(cè)值的誘導(dǎo)值，建立了基于IOWA算子的組合預(yù)測(cè)的模型。

[關(guān)鍵詞]量化投資;ARMA模型;線性回歸;組合預(yù)測(cè)

[DOI]10.13939/j.cnki.zgsc.2019.07.049

1 引 言

隨著證券市場(chǎng)的復(fù)雜程度日益提升，傳統(tǒng)投資面臨較大挑戰(zhàn)，因此越來(lái)越多的專業(yè)機(jī)構(gòu)，如私募基金公司開(kāi)始關(guān)注量化投資。在我國(guó)，量化投資雖然起步較晚，但隨著近幾年我國(guó)隨著金融科技產(chǎn)業(yè)的蓬勃發(fā)展，我國(guó)的量化投資行業(yè)也進(jìn)入了一個(gè)相對(duì)高速的發(fā)展時(shí)期。自2010年股指期貨推出以后，越來(lái)越多的海外量化基金經(jīng)理開(kāi)始回歸國(guó)內(nèi)私募基金市場(chǎng)，越來(lái)越多的私募基金開(kāi)始推出了各自的量化產(chǎn)品。

2 ARMA干預(yù)分析模型

文章主要數(shù)據(jù)為私募證券基金管理人數(shù)和滬深300指數(shù)的當(dāng)天平均價(jià)格，模型中分別用yt，Pt來(lái)表示。

ARMA 模型是研究平穩(wěn)隨機(jī)過(guò)程有理譜的典型方法，常用于分析長(zhǎng)期的時(shí)間序列。時(shí)間序列yt滿足：

文章采用ARMA（1，1）模型作為機(jī)構(gòu)數(shù)量的預(yù)測(cè)模型。由于STATA相當(dāng)于對(duì)去中心化的變量擬合ARMA模型，根據(jù)STATA計(jì)算結(jié)果可得出ARMA（1，1）模型如下：

其中，Δyt表示對(duì)機(jī)構(gòu)數(shù)量的一階差分。模型的p值為0.0000，在5%的顯著水平下，通過(guò)了檢驗(yàn)。

將干預(yù)影響后的機(jī)構(gòu)數(shù)量實(shí)際值減去干預(yù)影響的預(yù)測(cè)值，結(jié)合干預(yù)影響前的機(jī)構(gòu)數(shù)量實(shí)際值，即為消除了干預(yù)影響的機(jī)構(gòu)數(shù)量的凈化序列。對(duì)凈化序列建立擬合模型，仍采取ARMA（1，1）進(jìn)行擬合，結(jié)果如下：

模型的p值為0.0000，在5%的顯著水平下，通過(guò)了檢驗(yàn)。

最后用Xt可以表示總干預(yù)分析模型，結(jié)合干預(yù)影響值的模型和機(jī)構(gòu)數(shù)量的凈化序列的ARMA（1，1）模型，可以組建得到總的ARMA干預(yù)分析模型如下：

根據(jù)總的ARMA干預(yù)分析模型，計(jì)算機(jī)構(gòu)數(shù)量預(yù)測(cè)值，并與機(jī)構(gòu)數(shù)量的實(shí)際值進(jìn)行對(duì)比，結(jié)果如下。

模型的擬合效果較好，除了在突破點(diǎn)存在偏差，在時(shí)間序列的后期擬合程度較高。

3 線性回歸模型

文章采用滬深300指數(shù)當(dāng)天的平均價(jià)格作為代理指標(biāo)，用Pt來(lái)表示。滬深300指數(shù)是反映滬深兩個(gè)市場(chǎng)整體走勢(shì)的“晴雨表”，成分股為市場(chǎng)中市場(chǎng)代表性好，流動(dòng)性高的主流投資股票，能夠反映市場(chǎng)主流投資的收益情況。

因?yàn)闄C(jī)構(gòu)數(shù)量在2016年7月存在著突變點(diǎn)，因此引入虛擬變量來(lái)衡量外部干預(yù)這定性數(shù)據(jù)，以此修正模型，用Dt來(lái)表示。在線性回歸模型中，依然對(duì)機(jī)構(gòu)數(shù)量進(jìn)行對(duì)數(shù)處理，但不進(jìn)行一階差分處理。

通過(guò)STATA生成含虛擬變量的線性模型，回歸結(jié)果及預(yù)測(cè)效果如下。

除了在突變點(diǎn)之前的一段時(shí)間偏差較大，整體上，模型對(duì)機(jī)構(gòu)數(shù)量時(shí)間序列的擬合程度較高。

綜上所述，總的線性回歸模型為：

4 組合預(yù)測(cè)模型

文章把預(yù)測(cè)精度ait作為預(yù)測(cè)值xit的誘導(dǎo)值，前文已分別求出基于ARMA干預(yù)分析模型和線性回歸模型的機(jī)構(gòu)數(shù)量預(yù)測(cè)值，再計(jì)算在不同時(shí)期兩種模型的預(yù)測(cè)精度，即可構(gòu)建二維向量aitxit以及對(duì)應(yīng)的IOWA算子。通過(guò)matlab計(jì)算求得組合預(yù)測(cè)模型的預(yù)測(cè)值。

組合預(yù)測(cè)模型相對(duì)于ARMA干預(yù)分析模型和線性回歸模型，在突變點(diǎn)附近對(duì)機(jī)構(gòu)數(shù)量時(shí)間序列的擬合程度有較大的提高。

5 結(jié) 論

文章將私募證券投資基金管理人作為代理指標(biāo)，通過(guò)建立量化投資行業(yè)的預(yù)測(cè)模型，為研究量化投資行業(yè)的學(xué)者提供一個(gè)更精確的分析工具。在建立組合預(yù)測(cè)模型時(shí)，文章直接定義了權(quán)重向量。由于不同的權(quán)重系數(shù)對(duì)應(yīng)的模型預(yù)測(cè)效果不同，很可能存在著最優(yōu)的權(quán)重向量，因此在未來(lái)的研究中，將采用遺傳算法等最優(yōu)算法求出最優(yōu)權(quán)重向量，以提高模型的預(yù)測(cè)精度。

參考文獻(xiàn)：

[1]周廣肅. Stata 統(tǒng)計(jì)分析與應(yīng)用[M]. 北京：機(jī)械工業(yè)出版社， 2015.

[2]徐國(guó)祥. 統(tǒng)計(jì)預(yù)測(cè)和決策[M]. 上海：上海財(cái)經(jīng)大學(xué)出版社， 1998.

[3]黃曉宇. 基于干預(yù)分析模型的新線開(kāi)通對(duì)網(wǎng)絡(luò)客流影響計(jì)算方法研究[D]. 北京：北京交通大學(xué)， 2017.