论文部分内容阅读
自从Fama和French发表了经典的论著，阐述了证券市场有效性的讨论，近些年来，该论题一直是学者关注的焦点。本文从基本面和技术面两个角度检验中国股票市场的有效性，都否认了有效市场假说。尤其是本文构建的技术面分析模型，相比之前的研究，我们的模型在扣除了交易费用之后能够在不同的市场阶段内攫取稳定的超额回报。在基本面分析部分，使用横截面回归模型论证上市公司披露的财务数据与股票期望回报之间的相关性，发现账面市值比，市值等财务因素对股票预期回报存在较强的解释力。但是中国市场与美国市场在特定指标的解释力上有些不同。更为有趣的是，本文的得出了与之前美国股票市场的研究类似的结论，中国股票市场也发生了时间上的概念漂移现象，即在不同的测试时间段内账面市值比指标与预期回报的相关性发生了反转。股票市场中存在“异象”。在技术面分析部分，考虑到显性知识和概念漂移是构建金融数据模型过程中不可忽视的两个重要的因素。本文使用eXtended Classifier Systems（XCS）算法来构建智能交易模型—eTrend。模型基于当前的股票价格行情数据特征以及趋势跟踪投资规则进行股票买卖决策，在交易过程中，eTrend不断的自动适应股票市场的变化并记忆显性交易规则，实时的提供最优的投资决策支持。文章选取上海证券市场的三只指数作为测试样例，在12年的测试周期内，扣除了交易费用的收益序列与大盘的收益序列相比，eTrend能够在牛/熊市不同的市场阶段内获得稳定的超额收益，并保持较低的下行风险，反映在统计指标上是接近于1.0的索提诺比率。同时从对比的实验中可以看出，无论从总收益还是收益的稳定性方面基于XCS的eTrend模型预测效果明显要好于Decision Tree（DT）和Artificial Neural Network （ANN）。本文主要的贡献体现在：(1)在学术层面，基本面分析部分的结果较为有趣，在测试样本上发现的地理位置，时间序列上的反转异象，使得在金融研究中概念漂移问题的解决显得尤为重要；相应的技术面分析部分，eTrend自适应智能交易模型的提出，对于有效解决股票数据的概念漂移问题和显性知识挖掘的论题提供了一定的帮助。(2)从实践层面，为投资者、学者更好的认识股票市场提供了一定的依据；尤其是eTrend模型，使用实践中的投资规则与人工智能算法融合进行约束学习，在长期的测试周期内都取得的较好的效果，对于股票市场中的投资策略的研发者而言极具参考价值。