人工智能与中国股票市场——基于机器学习预测的投资组合量化研究

人工智能在21世纪以来发展迅速,它与各个领域的结合发展促进了各个领域的飞快发展。本文重点研究人工智能在中国金融市场的量化应用,通过引入20个涵盖了价值、技术、动量、情绪反转等指标和8个机器学习算法对沪深两市股票收益率进行预测。从各个指标对模型的贡献程度来看,本文发现动量、反转和技术指标对股票未来收益率的影响程度最高。随后,本文按照这些股票的预测收益率进行排序并形成了交易策略。通过比较各个模型的结果发现预测收益率形成的交易策略在中国市场能获得显著的超额收益,且深度神经网络的预测效果最佳,正则化的线性机器学习模型次之。通过机器学习深度挖掘各个因子指标对中国股市的影响,为政策的制定者提供一定的借鉴意义,同时也能更好地理解中国市场交易中的非理性因素。

基于收入结构视角的我国城乡收入差距影响因素研究

城乡收入差距问题是在我国摆脱绝对贫困后的新时期亟待解决的社会问题,而农村居民的收入结构的状况对于城乡收入差距影响显著。笔者基于CFPS家庭追踪数据并结合国家统计局相关数据,运用了分位数回归方法对我国的农村地区城乡收入差距的现状及原因进行了系统分析。发现农村居民的工资性收入、经营性收入、财产性收入和转移性收入在不同分位数条件下对我国城乡收入差距影响存在差异,经营性收入仍然是农村居民的最主要的收入来源。工资性收入和财产性收入在2014年后对于遏制城乡收入差距的作用逐步凸显。转移性收入在2016年后益贫性有所改善。基于此,笔者提出了相关政策建议。

机器学习与线性模型在资产收益率预测中的比较

文章基于CAPM、多因子、DNN、LSTM和SVM模型,探讨传统线性资本资产定价模型与机器学习模型对于资产组合样本外的预测能力。提出了六个假设,并采用固定窗口和滚动窗口对模型的预测能力进行验证,结果发现机器学习模型比线性回归在样本外的预测能力更佳,泛化能力更强。

中美市场投资者惯性和反转交易偏好的实证研究

为了探索中国和美国证券市场的惯性和反转收益异常现象差异,本文参考了Jegedeesh和Titman的累计超额收益CAR研究方法,选取了2000年1月~2020年2月美国证券市场和中国证券市场股票数据构建了不同时期的收益期和检验期惯性和反转策略。为了检验结果的稳健性,本文还加入24个月和36个月的窗口期。同时,为了比较两国投资者之间的投资差异,本文构建惯性策略并选取企业规模、价值和波动3个指标来衡量两国间投资者差异。结果表明整体美国市场短期内具有明显的动量效应,而中国市场在短、中、长期都具有显著的反转效应。两个市场中,中国市场的投资者偏好小市值、高成长价值和高波动性的股票,而美国投资者则偏向大市值股票和低波动性股票。基于两个市场的差异(新兴市场和有效市场),本文找到了一些美国市场的先进投资经验,它对规范我国投资市场有重要的借鉴意义。

中国股市的移动均线指标异象——基于投机和套利限制视角

利用2000年1月-2022年6月中国沪深两市的数据,实证检验了股票市场不同期限结构中移动均线指标(MA)收益异象的存在性,并从投机和套利限制视角分析了其形成的原因。通过构造不同期限结构的MA投资组合策略后发现,短、中和长期的MA组合在中国市场均存在显著的超额收益异象。进一步检验了现有主流因子模型对于MA超额收益异象的有效性,结果发现,现有主流因子模型无法解释不同期限结构的MA收益异象。研究结论有助于理解不同投资期限结构MA异象的成因,同时也对提升市场的有效性,完善因子定价模型有实践意义。

基于小波变频的资产定价模型

文章主要通过资本资产定价模型研究股票超额平均收益和风险因子的关系,将不同投资组合的收益和风险因子进行不同时间频段的小波变频后进行传统的因子定价回归,同时,加入了原始数据的因子定价模型进行比较,检验了如下问题:(1)验证了Fama-French模型是否具有时变性;(2)不同频度下的资本资产定价模型是否能有效地解释中国市场的异象;(3)Fama和French提出的风险因子是否能有效地影响组合收益率。结果表明,经过变频后的高频因子和投资组合能很好地通过GRS检验,同时FF五因子模型在不同的时间频率下比单一的时间频率要好,并且风险因子对中国市场的收益有显著的影响。

基于AHP、PCA、多因子模型对FOF子基金选择的研究

本文就FOF对冲基金中成分基金的筛选对三个评级模型进行比较,对2015年~2016年中国市面上4000多支私募证券投资基金数据进行清洗、整理、筛选和建模后,针对每个模型的最后得分,分别选择评分前十的私募基金作为FOF基金的成分基金,按照等权重的方式进行组合,用2017年1~5月的样本外数据进行拟合比较,判断在实际中哪种评估模型在样本外表现得更好。结果表明,AHP模型选择出来的对冲基金在样本外表现得效果最好。

“一带一路”国家双边贸易的空间溢出效应研究——基于空间Durbin面板模型的实证分析

"一带一路"倡议通过创造新的贸易和投资机遇为国际合作提供了包容性巨大的合作平台,正得到越来越多沿线国家经济体的积极响应。将空间思想引入传统汇率与贸易关系理论,建立空间杜宾面板模型,研究汇率变动对"一带一路"沿线国家的进出口贸易影响,结果显示:中国与"一带一路"国家的贸易主要是向外输出的过程,大多数沿线国家对中国的贸易依赖性较强,当汇率贬值时,进口和出口都会相应增加。此外,互为邻国的"一带一路"国家出口结构相对单一且相似,产品可替代性较强,当邻国因汇率变动导致对中国出口下降时,本国出口相应增加。

商业银行理财业务的影响及转型研究

本文利用2012-2017年38家银行的面板数据研究理财业务对异质性商业银行收益与风险的影响,得到的结论为:商业银行开展理财业务有利于增加收益,同时也能降低整体经营风险;对不同类型的银行而言,理财业务能够促进国有银行、股份制银行和外资银行的收益,降低国有银行和外资银行的风险,但对城商行和农商行来说,理财业务对总体收益的影响为负,同时也加大了他们以及股份制银行的风险。本文建议国有及股份制银行通过设立资管子公司专门运作以进一步提升理财业务能力,投研能力较弱、风险较高的中小银行加强与外部机构的合作力度;优化理财资产端配置,加强主动管理能力提升;发挥客户和渠道优势,开发契合客户需求的、差异化的产品。

集中带量采购政策对医药公司创新的影响研究——基于文本分析法的实证分析

药品集中带量采购常态化是健全我国全民医保制度的重要举措,分析其对医药公司创新的影响具有重要意义。通过文本分析法和TF-IDF法构建测度医药公司创新的新指标,运用双重差分模型对2016-2021年上市医药公司的面板数据进行实证分析。研究发现:“集采”政策实施对医药公司的创新有正效应;通过分析效应产生的渠道发现,“集采”政策实施后,医药公司招录更多高学历员工投入研发,而对国内市场依赖程度高使得医药公司创新活动显著增加;进一步研究表明:受“集采”政策影响,规模大的医药公司更敢于推进创新。基于此,应进一步扩大“集采”范围,培育医药公司创新意识。

基于频率分解的机器学习模型预测效果比较

文章引入一种小波变换与机器学习的组合预测方法,通过小波变换提取单变量时间序列的主要特征,并应用不同的机器学习模型进行预测分析。构建不同类型的机器学习模型对上证指数、恒生指数、纳斯达克指数和日经225指数进行预测,结果表明:在不增加任何被解释变量的情况下,经过小波变换的数据特征能较好地预测指数收益率;通过比较线性模型、机器学习模型和深度学习模型发现,线性模型在捕获小波变换特征方面表现最好;有效的数据降维方法是提高非线性模型样本外预测精度的重要手段,并且可以减少模型训练的时间;小波变换和贝叶斯混合模型的预测精度高于传统的ARMA模型。