带有动量效应的在线动态移动平均反转策略

针对现有均值反转类策略存在的预测模型参数无法动态更新和未充分考虑动量效应的问题,提出一种策略M-ODMAR。使用简单移动平均模型对股票价格进行预测,并通过在线牛顿步(Online Newton Step,ONS)算法对模型参数进行动态更新;利用在线被动攻击(Passive Aggressive,PA)算法选取投资组合;使用L1中位数来提取价格动量信息并对投资组合进行调整。实验结果显示,在四个数据集上该策略的累积收益高于所对比的其他策略,说明了参数的动态更新和动量效应的加入对于均值反转类策略的累积收益提高具有促进作用。

基于自回归移动平均反转的在线投资组合选择

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题,提出了一种基于多周期的高效的在线自回归移动平均反转(OLAR)算法。首先,利用自回归移动平均算法得到了股价预测模型,并经过合理的假设将其转化为自回归模型;然后,结合损失函数和正则项构造出了目标函数,并利用损失函数的二阶信息得到了参数的闭式解;接着,利用在线被动攻击(PA)算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明,与鲁棒中位数反转(RMR)相比,OLAR在NYSE(O)、NYSE(N)、道琼斯工业指数(DJIA)和MSCI数据集上的累积收益分别提高了455.6%,221.5%,11.2%和50.3%;同时,统计检验结果表明,OLAR的表现并不是由随机因素造成的。此外,与RMR和在线滑动平均反转(OLMAR)等算法相比,OLAR获得了最大的年化收益率、夏普比率和Calmar比率;最后,OLAR的运行时间与RMR和OLMAR基本相同,因此也适合大规模的实时应用。

基于OGD算法的在线移动平均反转策略

为改善非平稳金融市场环境下在线投资组合策略无法实时动态调整的缺点,提出一种OGDMAR策略。基于在线梯度下降(OGD)算法,对在线移动平均反转策略的预测模型进行改进,使预测模型的系数在每次迭代时都可重新调整。在4个经典数据集上进行数值实验,结果表明,与原策略的累积收益相比,改进策略在4个数据集上分别提升了111%、134%、32%和48%,并且在不同的交易成本条件下累积的收益更高。OGDMAR策略具有应对非平稳环境的能力,不仅在累积收益方面有显著提升,而且具有更强的交易成本承受能力。

基于剔除机械效应的资本结构调整速度再检验

关于资本结构调整速度的研究至今仍未获得一致结论的原因之一在于传统的部分调整模型可能存在机械效应。通过对账面资产负债率的会计恒等式进行分解,剔除由资产规模变动引起的机械效应,在此基础上以1998年至2011年中国仅发行A股的非金融类上市公司面板数据为样本,采用两阶段估计法重新检验企业主动的融资行为对资本结构调整速度和均值反转的影响。研究结果表明,在传统的采用资产负债率变动作为因变量的估计下得到的资本结构调整速度约为13%,而剔除由资产规模变动引起的机械效应之后估计得到的调整速度明显下降到5%左右。这意味着在剔除由资产规模变动引起的机械效应后,企业的融资行为仍会引起资本结构的均值反转,但因调整速度很低而使均值反转的趋势不是很明显。