《L-SWARCH银行业模型》由会员分享，可在线阅读，更多相关《L-SWARCH银行业模型（10页珍藏版）》请在金锄头文库上搜索。
1、 请 数量化行业研究（三） 2009 年 7 月 31 日 行业模型 z 型的优势和局限。 前期我们构建的 型在分析货币供应周期和证券市场趋势的关系上取得了 88%的预测精度。但是，向量 型也存在很大的瓶颈：当增加解释变量的时候，模型的维度被迅速放大，这使得应用该模型建立多变量联动关系时变得较为困难。而证券市场上，行业指数的走势必然受到宏观面以及行业面等多因素的制约，因此，在预测行业指数趋势时， z 行业模型。 为了解决上述困难，我们引入广泛使用的多因素 型进行改进，力图使新的模型既能保持原有的优点又能满足增加解释变量的需求。为此我们构建了 行业模型。 z 影响银行指数走势指标的选取。 在众多
2、的指标中，我们最终发现，大盘指数收益率、广义货币供应量（ 额的环比增长率、银行贷款总计余额的环比增长率等多项指标对银行指数的走势具有显著影响。 z 参数估计结果凸显证券市场复杂性。 我们用极大似然方法进行参数估计，结果同样彰显了证券市场的复杂性：第一，大盘走势对银行指数收益率在不同趋势中具有不同的影响力。当银行指数处于下跌过程中时，大盘的加速上涨对银行指数而言具有止跌作用，大盘加速下跌将加剧银行指数的下跌；当银行指数处于上涨过程时，大盘加速上涨对地产指数具有显著的助涨功能，而大盘的加速下跌则对银行指数的进一步上涨则有明显的抑制作用。第二，广义货币供应量（ 银行指数的涨跌趋势具有显著的影响，但是
3、在不同趋势中对银行指数走势的影响有很大差异：即银行指数处于下跌过程中时， 速下跌将加剧银行指数的下跌；当银行指数处于上涨过程时， 速上升对银行指数具有显著的助涨功能。但是当银行指数处于上涨状态时，对 速的敏感度要明显大于持续下跌时。第三，银行贷款余额对银行指数走势也具有比较显著的同向影响，并且银行指数上涨时对该指标的反应会比下跌时更加敏感。 z 模型预测精度接近 82%： 我们利用建立的 行业模型对 2006 年 11月份以来的海通银行指数趋势进行样本外预测，结果显示，在已经完成的 33 期预测中， 27 期预测准确，仅 6 期出现了偏差，准确率接近 82%。根据该模型， 2009年 8 月份
4、，银行指数仍将上涨。 z 形成较为完整的量化行业分析体系，并最终构建有效的量化行业配置模型。 后期我们将推广 型到其他行业，完成覆盖 A 股市值 80%以上的行业指数的趋势判断，形成较为完整的量化行业分析体系。在此基础上，进行量化行业比较，并最终建立有效的量化行业配置模型。 量化行业配置 相关研究 宏观经济周期与证券市场的趋势相关性 研究 20090202 海通 型在台湾市场的实证检验 20090512 化行业模型 20090609 地产行业模型 20090626 金融工程首席分析师 胡倩 电 话： 021融工程助理分析师 张峰 电 话： 021定 量量 报报 告告 请 目 录 1. 海通 型
5、在量化行业研究领域的拓展 . 行业模型 .型思想 .据描述 .型参数估计的结果及含义 . 模型的预测效果 . 量化研究 2 1. 海通 型在量化行业研究领域的拓展 在前期的宏观经济周期与证券市场的趋势相关性研究与海通 型在台湾市场的实证检验两篇报告中，我们利用向量 型建立了宏观货币供应周期与证券市场趋势之间的关联性， 取得了良好的实证效果。 我们认为， 向量 第一、向量 型建立了研究变量和解释变量之间的非线性关系，而且这种关系的建立是符合直观逻辑的， 这相对于传统上常用的线性建模方法具有本质的优势。 第二、向量 型将所研究的变量划分为不同的状态，进而研究各变量的状态之间的对应和转移关系，这比传
6、统上对变量具体数值的刻画要容易得多，而且判断的准确度也会大幅提升。 第三、向量 型是贝叶斯统计方法的一种实现形式，我们利用模型变量的历史观测数据建立各变量运行周期与状态转移的先验分布，而在计算状态变量的预测概率时，我们加入了最新的观测数据。 这种量化的研究模式可以延伸到证券投资的多个领域， 特别是在量化行业配置方面。事实上，与宏观经济和证券市场的关系类似，行业背景、行业指标与行业指数的市场收益率之间同样存在着某种必然的联系，只是，在传统的量化模型下，难以捕捉到两者之间的稳定联结。 但是，向量 型也存在很大的瓶颈：当增加解释变量的时候，模型的维度被迅速放大，这使得应用该模型建立多变量联动关系时变
7、得较为困难。此外，与宏观经济不同的是，行业指标众多，而指标的权威性、延续性却存在着很大的不足。因此，将 型延伸到量化行业研究领域时，我们至少面临以下几方面困难： 第一， 各行业指标众多，如何构建与行业收益率密切相关的行业指标跟踪体系是我们建立量化行业研究的第一个问题。 第二，作为证券市场的组成部分，行业指数特别是大市值行业指数的走势必然与全市场走势存在很强的相关性。因此，如何有效衡量行业因素对行业走势的影响是我们面临的第二个问题。 第三，如果存在影响行业走势的多个因素，如何解决 型随变量增加而导致的参数估计难度。 我们将在后续的量化系列报告中，利用广泛使用的多因素 归思想对前面的 型进行改进，
8、使新的模型既能保持原有的优点又能满足实际应用中增加解释变量的需求，并将该模型应用到量化的行业研究中。 前期的报告中我们已经建立了海通 化行业模型和 地产行业模型，并且取得了良好的实证效果：在预测行业指数的月度涨跌趋势方面准确率分别达到了 88%和 85%。在本篇报告中，我们利用同样的方法建立了 行业模型。 2. 行业模型 我们将利用广泛使用的多因素回归思想结合向量 型，构建基于多因素归的 型，即 行业模型，并以此来预测海通银行指数月度的涨跌趋势。 量化研究 3 型思想 作为 A 股证券市场的重要构成部分， 银行业类股票市值占到了全市场市值的 20%左右，这意味着，作为大市值的银行业指数的走势势
9、必与代表全市场的海通综指具有紧密的联系。而与此同时，银行本身的行业属性意味着银行指数的收益率必然受到影响银行行业收益率的相关因素的影响，并由此导致股价的波动。因此，对于银行业而言，指数的最终走势可能同时受到大盘、广义货币供应量（ 额、银行存贷款余额等因素的影响。因此，在构建银行业模型时我们遵循以下的思路和步骤： 第一，以银行指数收益率为基础数据，建立满足 态转移的一阶 型： 令 ,1,2,= L 表示海通银行指数的月增长率，满足如下的 态转移的一阶 型： 111211()t s = +=+(这里， (0,1) ，一个 2 阶的不可观测的 ，表示当前时刻银行指数收益率所处的状态： 1 表示银行指
10、数处于下跌的状态， 2 表示银行指数处于上涨的状态。 我们定义海通银行指数收益率的状态转移矩阵 () ( )p= 如下： 12 1 , , ) )t tt s j s i s k ob s j s i p = =L (第二，对影响银行业指数的诸多行业类指标进行初步筛选，挑出与行业指数收益率最相关的指标作为反映银行业属性的基础指标。在实证过程中，我们选取广义货币供应量（ 额的环比增长率、银行贷款总计余额环比增长率等指标作为 行业模型的基础指标。 第三，充分考虑海通综指即大盘走势对银行指数走势的影响，最终我们利用海通综指收益率、广义货币供应量（ 额的环比增长率、银行贷款总计余额的环比增长率等多项指
11、标来对海通银行指数收益率的状态转移概率的计算进行改进：即，利用多因素归的思想对模型变量的状态转移矩阵给出一个动态的解释，亦即利用与行业指数相关的大盘、广义货币供应量（ 银行贷款余额等指标的观察值更新每一期的状态转移矩阵。 据描述 我们从 据库中提取广义货币供应量（ 余额自 1997 年 12 月至 2009年 6 月的月度数据；从 据库中提取银行储蓄存款和贷款余额的月度数据，并计算自 1998 年 1 月至 2009 年 6 月广义货币供应量（ 银行存贷款余额的月度环比增长率，从海通数据库中提取涵盖沪深两市的海通综指自 1997 年 12 月至 2009 年 7 月的月度数据，计算指数的月度收益率，并且从海通数据库中提取海通银行指数自 1997年 12 月至 2009 年 7 月的月度数据，计算指数的月度收益率。 型参数估计的结果及含义
