基于谱映射的非线性Sharpe模型及其在基金投资风格识别中的应用

由于金融时间序列具有非线性的特点,经典的Sharpe模型难以全面、准确地描述经济变量之间的关系。为此,提出了基于谱映射的非线性Sharpe模型。谱映射的核心思想来源于经典的谱图理论。谱映射借助由数据集导出的一些特殊矩阵的部分特征向量,将该数据集投影至高维空间。在投影后的高维空间,数据集的有些性质得到改进,如原空间中线性不可分的数据集在高维空间线性可分。基于谱映射的非线性Sharpe模型,利用谱映射将基金收益率数据和风格指数收益率数据投影至高维空间,在高维空间利用经典Sharpe模型识别各基金的投资风格。利用基于谱映射的非线性Sharpe模型分析了部分开放式基金的投资风格。实验结果表明,本文提出的基于谱映射的非线性Sharpe模型的性能优于在原数据集上直接利用经典Sharpe模型得到的结果。

基于独立成分分析-谱聚类-Sharpe模型的开放式基金投资风格识别方法

本文提出了一种ICA、多路归一化割谱聚类和经典Sharpe模型相结合的开放式基金投资风格识别方法。利用以上方法分析了我国大陆地区部分开放式基金的投资风格。实证结果表明,我国开放式基金的趋同现象严重、投资风格发生漂移并且漂移方向大致相同。因此,有必要不断总结经验教训,不断完善相关法律法规,与此同时需要引进成熟的投资理念和投资策略。

中国开放式基金投资风格分析

提出了一种Gap statistic聚类分析与Sharpe模型相结合的投资风格分类方法,以及仅利用基金与风格资产收益率来衡量投资策略的近似方法。实证结果表明,债券型基金投资风格与其声称完全一致,且不存在漂移现象,股票、混合型基金的投资风格以大盘成长型为主并日趋明显,与其声称背离较大,漂移现象严重。基金大多采用动量投资策略,股票-中盘成长型的动量效应最明显,债券型基金反之。研究方法论为基金投资风格分类及投资策略衡量提供了新思路。

基于遗传算法的证券组合投资优化问题的模拟分析

分析了用遗传算法求解组合证卷投资中的Markowitz模型的各种问题,提出了一种采用最优保存策略的遗传算法求解WilliamSharpe模型的方法,并且实现了N种证券投资组合优化的模拟分析,得出比用二次规划算法求解更好的结果.

基于岭回归的基金投资风格识别研究

文章在分析Sharpe投资风格识别模型的基础上,指出了它的缺陷及改进方法,针对其中的风格资产多重共线性问题,通过比较岭回归、主成分回归与偏最小二乘回归等常用三种处理方法,提出了基于岭回归的弱式风格识别模型,并以开放式股票指数型基金为研究样本,实证结果表明:该方法能较好对基金投资风格进行识别,并发现股票指数型基金大都呈现大盘成长型投资风格,没有发生投资风格漂移现象,这与指数型基金投资理念相一致。

中国开放式基金风格漂移动态研究

本文对Sharpe强式风格模型存在的缺乏参数显著性统计及静态估计等关键问题进行改进,对我国开放式偏股型基金风格漂移进行实证研究和效果对比。研究结果表明:我国开放式基金业中风格漂移严重,大部分股票型基金偏好中、大盘成长股,显示出明显的风格趋同特征;在利用Sharpe模型进行风格识别时,引进权重系数的T统计值进行显著性检验,可以减少单纯依靠风格权重系数识别所引起的估计偏差。

基金投资风格与绩效的研究

本文采集了19只基金2013年2月28日到2015年6月18日的日累计净值并以此计算出各基金的日回报率,通过采集到的中信标普风格指数建立Fama-French模型和Sharpe风格模型对基金投资风格进行分析并进行对比检验,确认后分类。利用CAPM模型对分类后的各组基金分别计算其超额回报率并进行比较,总结后发现在我国证券市场上投资小盘成长股能够最终取得超额回报率。最后再对每只基金的日收益率做CAPM回归,得到Jenson指数并与Fama-French模型进行参照对比,找出绩效最好的基金。结果显示样本基金几乎都不具有获得超额收益的能力,证明我国市场具有相对较高的有效性。