摘要:本文旨在深入探討大數(shù)據(jù)下的ETF資產(chǎn)量化配置,通過(guò)獲取深交所72家行業(yè)基金數(shù)據(jù),綜合運(yùn)用三因子模型、熵權(quán)法以及奇異譜分析等多種量化模型方法,全面評(píng)估各行業(yè)ETF的風(fēng)險(xiǎn)和收益狀況,在此基礎(chǔ)上通過(guò)程序量化方法配置ETF資金組合策略,以達(dá)到最優(yōu)的投資效果。同時(shí),通過(guò)構(gòu)造綜合ETF指數(shù)進(jìn)行奇異譜分析,用于跟蹤股票市場(chǎng)的波動(dòng)趨勢(shì)方法,為投資者提供了量化的市場(chǎng)參考。本文的創(chuàng)新點(diǎn)和實(shí)用性在于為投資者提供一種新的全過(guò)程量化的ETF投資組合模式,從而更好地在管理投資風(fēng)險(xiǎn)下實(shí)現(xiàn)資產(chǎn)保值增值目標(biāo)。
關(guān)鍵詞:三因子模型;熵權(quán)法;奇異譜分析;ETF組合策略
一、引言
AI時(shí)代,大數(shù)據(jù)的運(yùn)用已經(jīng)成為金融領(lǐng)域不可或缺的重要部分,金融市場(chǎng)的參與者越來(lái)越依賴于數(shù)據(jù)來(lái)進(jìn)行決策和資產(chǎn)配置。在這樣的背景下,交易所交易基金(ETF)作為一種投資工具在我國(guó)得到了快速的發(fā)展和廣泛的應(yīng)用。本文將探討大數(shù)據(jù)在ETF資產(chǎn)量化配置中的具體應(yīng)用程序方法,即通過(guò)一系列的金融計(jì)量分析模塊,主要包括通過(guò)三因子模型量化發(fā)行的各行業(yè)ETF風(fēng)險(xiǎn)—收益值、運(yùn)用熵權(quán)法配置各ETF組合策略中資金配比、利用經(jīng)濟(jì)指標(biāo)和貨幣流動(dòng)性指標(biāo)合成綜合指數(shù)劃分股票市場(chǎng)波動(dòng)趨勢(shì)及樣本回測(cè)觀察ETF組合策略收益穩(wěn)健情況這四個(gè)模塊的組合,分析大數(shù)據(jù)在ETF資產(chǎn)量化配置中的實(shí)際效果和相對(duì)股票指數(shù)的投資收益狀況。通過(guò)對(duì)歷史數(shù)據(jù)的回測(cè)和實(shí)時(shí)市場(chǎng)的監(jiān)測(cè),筆者將評(píng)估大數(shù)據(jù)量化技術(shù)在ETF資產(chǎn)配置中的優(yōu)勢(shì)及潛在價(jià)值。
二、量化模塊構(gòu)建
1.通過(guò)三因子模型量化發(fā)行的各行業(yè)ETF風(fēng)險(xiǎn)—收益值
Fama-French(1993)提出股票組合的收益率是由市場(chǎng)風(fēng)險(xiǎn)因子、市場(chǎng)規(guī)模因子和賬面市值比因子所構(gòu)成的三因子模型后,三因子模型使用的構(gòu)建方式一直是量化研究的標(biāo)準(zhǔn)模式,其收益—風(fēng)險(xiǎn)研究結(jié)論也被廣泛運(yùn)用于資本市場(chǎng)實(shí)踐。本文通過(guò)三因子模型實(shí)現(xiàn)對(duì)各行業(yè)ETF的收益—風(fēng)險(xiǎn)評(píng)估,通過(guò)Fama-French三因子模型,依據(jù)歷史數(shù)據(jù)量化得出目前深市各行業(yè)ETF(159開(kāi)頭)的收益—風(fēng)險(xiǎn)系數(shù),之后按收益—風(fēng)險(xiǎn)系數(shù)大小進(jìn)行排序。
2.運(yùn)用熵權(quán)法配置各ETF組合策略中資金配比
熵權(quán)法屬于客觀賦權(quán)法,利用信息熵計(jì)算出各個(gè)指標(biāo)的權(quán)重,為多指標(biāo)綜合評(píng)價(jià)提供依據(jù)。因此,本文運(yùn)用熵權(quán)法通過(guò)各已發(fā)行的行業(yè)ETF之間的差異程度來(lái)確定在組合投資中資金配比,能夠在確定資金權(quán)重過(guò)程中避免主觀因素帶來(lái)的偏差,較為客觀地反映不同行業(yè)ETF在組合策略體系中的重要性(權(quán)重)。
3.用經(jīng)濟(jì)指標(biāo)和貨幣流動(dòng)性指標(biāo)合成綜合指數(shù)劃分股票市場(chǎng)波動(dòng)趨勢(shì)
已有眾多研究揭示經(jīng)濟(jì)波動(dòng)和貨幣流動(dòng)性影響股票市場(chǎng)的波動(dòng)趨勢(shì)。股票市場(chǎng)與經(jīng)濟(jì)市場(chǎng)和貨幣市場(chǎng)存在強(qiáng)相關(guān)關(guān)系,因此,可以采用各相關(guān)經(jīng)濟(jì)指標(biāo),同時(shí)輔助采用資金流動(dòng)性的數(shù)據(jù)合成綜合指數(shù),本文采用奇異譜分析SSA來(lái)研究經(jīng)濟(jì)金融指標(biāo)的綜合指數(shù)和股票市場(chǎng)指數(shù)間超前滯后關(guān)系,判斷股票市場(chǎng)的牛市/熊市運(yùn)行區(qū)間,構(gòu)建各行業(yè)ETF組合策略。
4.樣本回測(cè)觀察ETF組合策略收益穩(wěn)健情況
通過(guò)一定期間樣本的回測(cè)觀察ETF組合收益情況,比較ETF組合策略在收益率及回撤等指標(biāo)上是否優(yōu)于深圳大盤的表現(xiàn),來(lái)判斷ETF這種組合策略方法是否可以實(shí)現(xiàn)穩(wěn)健投資目標(biāo)。
三、模型與實(shí)證
1.運(yùn)用Fama-French三因子模型量化發(fā)行的各行業(yè)ETF風(fēng)險(xiǎn)—收益值
Fama-French的三因子模型包括市場(chǎng)風(fēng)險(xiǎn)因子RMt-RFt、市值規(guī)模因子(SMB)和賬面市值比因子(HML),即市場(chǎng)溢酬因子、市值因子、賬面市值比因子,分別用RMK_RF、SMB和HML表示,無(wú)風(fēng)險(xiǎn)收益率會(huì)影響股票市場(chǎng)收益率,因此需要扣除無(wú)風(fēng)險(xiǎn)收益,無(wú)風(fēng)險(xiǎn)收益用RF表示。模型如下:
RIt-RFt=a+b×RMt-RFt+S×SMB+h×HML+μt
行業(yè)ETF數(shù)據(jù)以深交所上市的159開(kāi)頭的基金指數(shù)為投資標(biāo)的,公式中RIt為深圳綜指的回報(bào)率,RFt為無(wú)風(fēng)險(xiǎn)收益率,行業(yè)ETF的風(fēng)險(xiǎn)—收益因子為(RMt-RFt),SMB和HML數(shù)據(jù)取自中央財(cái)經(jīng)大學(xué)金融學(xué)院數(shù)據(jù)庫(kù);行業(yè)ETF數(shù)據(jù)來(lái)源為東方財(cái)富Choice金融終端,為深交所中159開(kāi)頭的ETF基金,除去地區(qū)類、綜合類、商品類、貨幣和境外上市(含香港股市)的ETF基金,時(shí)間區(qū)間為2012年7月1日至2023年11月24日,共獲取72個(gè)行業(yè)ETF基金周度與日度數(shù)據(jù),ETF基金日度交易數(shù)據(jù)約為56000個(gè),選取72個(gè)行業(yè)ETF基金統(tǒng)計(jì)如表1所示。
將各ETF時(shí)間數(shù)據(jù)換算為各自時(shí)間序列收益率表及三因子RMK_RF(RMt-RFt)、SMB和HML數(shù)據(jù)的部分描述性統(tǒng)計(jì)如表2所示。
以上時(shí)間序列數(shù)據(jù)用ADF檢驗(yàn)結(jié)果均為平穩(wěn)時(shí)間序列后,在Eviews軟件中用三因子模型進(jìn)行回歸分析,得到各行業(yè)ETF的風(fēng)險(xiǎn)—收益系數(shù)如表3所示。
2.運(yùn)用熵權(quán)法配置各ETF組合策略中資金配比
(1)熵權(quán)法
熵權(quán)法屬于客觀賦權(quán)法,熵是物理熱力學(xué)的概念,后來(lái)被引用到信息論中作為系統(tǒng)無(wú)序程度的度量,在組合中可以利用信息熵計(jì)算出各個(gè)ETF基金的權(quán)重,將其權(quán)重?cái)?shù)作為組合中各ETF投入資金的配比數(shù),實(shí)現(xiàn)資金配置的客觀量化性。
熵值的計(jì)算如下:首先運(yùn)用歸一法對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)法處理,進(jìn)而計(jì)算指標(biāo)的比例,計(jì)算出指標(biāo)的熵值、效用值及權(quán)重,公式如下:
歸一法處理:Xij=xij-min(xij)max(xij)-min(xij)×100%(正向指標(biāo))
該指標(biāo)的比例(Pij):Pij=Xij∑ni=1Xij(j=1,2,…,m)
第j項(xiàng)指標(biāo)的熵值(Hj):Hj=k∑ni=1Pijln(Pij),其中k為調(diào)節(jié)系數(shù),
k=-1/ln(n),Hj≥0
第j項(xiàng)指標(biāo)的效用值(Dj):Dj=1-Hj
第j項(xiàng)指標(biāo)的權(quán)重(Wj):Wj=Dj∑ni=1XijDj(1≤j≤m)
(2)各行業(yè)ETF分組
按量化后的各行業(yè)ETF的風(fēng)險(xiǎn)—收益系數(shù)按大小排序分成三組,并分別標(biāo)記為高(強(qiáng))和中(中性)及低(弱)。依據(jù)資金規(guī)模在每組里選擇8~10個(gè)行業(yè)ETF作為組合,在市場(chǎng)牛市/區(qū)間波動(dòng)市/熊市中分別采用高/中/低分組中的各行業(yè)ETF作為組合的投資策略。高/中/低分組如表4所示。
(3)組合中各行業(yè)ETF權(quán)重的確定
運(yùn)用熵權(quán)法對(duì)各行業(yè)ETF權(quán)重進(jìn)行確定,熵權(quán)法計(jì)算在Matlab軟件實(shí)現(xiàn),如在每組合中選8個(gè)行業(yè)ETF,在高/中/低組中各行業(yè)ETF的權(quán)重如表5所示。
3.用經(jīng)濟(jì)指標(biāo)和貨幣流動(dòng)性指標(biāo)合成綜合指數(shù)劃分股票市場(chǎng)波動(dòng)趨勢(shì)
(1)指標(biāo)與數(shù)據(jù)
股票市場(chǎng)的波動(dòng)與經(jīng)濟(jì)波動(dòng)及貨幣流動(dòng)性存在強(qiáng)相關(guān)關(guān)系。眾多學(xué)者和行業(yè)人員在研究股票市場(chǎng)和經(jīng)濟(jì)市場(chǎng)及貨幣市場(chǎng)的預(yù)測(cè)性方面有頗多成果,其結(jié)論基本是由于股票市場(chǎng)與經(jīng)濟(jì)市場(chǎng)及貨幣市場(chǎng)存在相關(guān)性,可以利用相關(guān)的各種指標(biāo)或者綜合指數(shù),通過(guò)動(dòng)態(tài)量化模型來(lái)預(yù)測(cè)股票市場(chǎng)的波動(dòng)趨勢(shì)。
由于可選取的經(jīng)濟(jì)指標(biāo)眾多,為能比較敏感地反映股票市場(chǎng)波動(dòng)的預(yù)測(cè),這里專注于中短經(jīng)濟(jì)周期變化和貨幣流動(dòng)性的變動(dòng)指標(biāo)。選取的經(jīng)濟(jì)指標(biāo)主要有采購(gòu)經(jīng)理指數(shù)(PMI)、工業(yè)增加值(IDD)、固定資產(chǎn)投資(FCI)、新建房屋銷售面積(HAS)與進(jìn)出口總額(IEF);流動(dòng)性指標(biāo)方面有貨幣供應(yīng)量(M2)、一年期貸款利率(SI)(1年)和社會(huì)融資規(guī)模(SFQ)等,將經(jīng)濟(jì)指標(biāo)和貨幣流動(dòng)性指標(biāo)合成一個(gè)綜合指數(shù),再分析這個(gè)綜合指數(shù)與股票指數(shù)波動(dòng)的超前滯后關(guān)系,以此來(lái)預(yù)測(cè)股票市場(chǎng)波動(dòng)趨勢(shì)。數(shù)據(jù)取自Choice金融終端,時(shí)間區(qū)間為2014年3月至2023年10月,相關(guān)經(jīng)濟(jì)指標(biāo)描述性統(tǒng)計(jì)如表6所示。
(2)奇異譜分析方法
兩個(gè)周期波動(dòng)間關(guān)系用奇異譜分析方法(SingularSpectrumAnalysis,SSA)進(jìn)行研究。奇異譜分析方法(SSA)對(duì)時(shí)間序列的線性和平穩(wěn)性不作強(qiáng)制要求,不僅可以測(cè)算周期長(zhǎng)度,還可以描述周期的波動(dòng)狀況,此方法特別適用于期限短且噪聲多的時(shí)間序列,尤其在分析兩個(gè)周期超前滯后的比較時(shí)。其主要分為以下四個(gè)步驟:建立軌跡矩陣、奇異值分解、分組、對(duì)角重構(gòu)信號(hào)平均化。
建立軌跡矩陣X=[X1,…,XK]=)L,Ki,j=1
其中,Xi=yi,yi+1,…,yi+L-1T;
分解X=∑di=1Xi;分組C=∑S∈ΩXs;對(duì)角重構(gòu)信號(hào)平均化C^=(c^1,∧,c^T)運(yùn)用Matlab軟件進(jìn)行奇異譜分析,得到深圳股票指數(shù)前15個(gè)分解序列圖,如圖1所示。在圖1(a)、圖1(b)中,分解序列的平均
周期長(zhǎng)度大于50個(gè)月,作為趨勢(shì)項(xiàng);在圖1(c)~圖1(h)中,分解序列的平均周期長(zhǎng)度大于3個(gè)月而小于50個(gè)月,作為周期項(xiàng);圖1(i)~圖1(o)小于3個(gè)月的分解序列作為噪聲項(xiàng)處理。
通過(guò)提取周期成分的分解序列進(jìn)行對(duì)角平均壓,重構(gòu)后的經(jīng)濟(jì)與流動(dòng)性指數(shù)波動(dòng)周期與深股指數(shù)波動(dòng)周期如圖2所示。
通過(guò)分析重構(gòu)的波動(dòng)周期,可確定兩個(gè)周期間超前滯后的時(shí)間相關(guān)性,并依據(jù)此關(guān)聯(lián)性推斷出股票市
場(chǎng)在未來(lái)一個(gè)時(shí)間周期中高概率會(huì)出現(xiàn)的波動(dòng)趨勢(shì)(牛市、區(qū)間波動(dòng)市與熊市),依據(jù)波動(dòng)趨勢(shì)制定對(duì)應(yīng)的行業(yè)ETF投資組合策略,可為投資者調(diào)整中期投資策略、優(yōu)化資產(chǎn)組合及提高投資回報(bào)提供依據(jù)。
4.樣本回測(cè)觀察組合收益情況
樣本區(qū)間為2019年10月至2023年10月,選取合適的經(jīng)濟(jì)指標(biāo)和流動(dòng)性指標(biāo)合成綜合指數(shù)(同上),分析綜合指數(shù)和深股市場(chǎng)波動(dòng)的超前滯后關(guān)系。在預(yù)測(cè)深股波動(dòng)趨勢(shì)形態(tài)下,選取三因子模型量化的不同風(fēng)險(xiǎn)—收益的行業(yè)ETF作為投資組合,通過(guò)熵權(quán)法計(jì)算的權(quán)重分配資金比例進(jìn)行投資。對(duì)組合投資樣本在2021年7月2日至2023年7月2日進(jìn)行測(cè)算,結(jié)果如圖3所示。相對(duì)于深圳綜指兩年末下跌16%的虧損,ETF組合策略仍然有1.4%的正收益;且樣本走勢(shì)表現(xiàn)穩(wěn)健,最大回撤為18%,小于深圳綜指25%的最大回撤。
四、總結(jié)與展望
通過(guò)三因子模型實(shí)現(xiàn)對(duì)各行業(yè)ETF的風(fēng)險(xiǎn)—收益的量化,按市場(chǎng)收益—風(fēng)險(xiǎn)大小將行業(yè)ETF分為高/中/低三組,在各組中依據(jù)行業(yè)選擇8~10個(gè)具有代表性的ETF進(jìn)行組合,用熵權(quán)法計(jì)算各個(gè)ETF的權(quán)重作
為資金分配的比例。利用奇異譜分析經(jīng)濟(jì)指標(biāo)和貨幣流動(dòng)性指標(biāo)的合成指數(shù)與股市波動(dòng)的超前滯后關(guān)系,來(lái)確定股市未來(lái)的波動(dòng)趨勢(shì),并依此選用不同收益—風(fēng)險(xiǎn)系數(shù)的行業(yè)ETF的投資組合策略。本文通過(guò)全過(guò)程的量化模型決策流程,盡可能地避免決策者主觀隨意性,通過(guò)一定期間樣本的回測(cè)觀察ETF組合策略收益情況,回測(cè)結(jié)果顯示,行業(yè)ETF組合策略在收益率及回撤等指標(biāo)上遠(yuǎn)優(yōu)于大盤深圳綜指的表現(xiàn),驗(yàn)證了運(yùn)用此ETF組合策略方法不僅可以實(shí)現(xiàn)穩(wěn)健投資還展示了其在實(shí)際市場(chǎng)中的應(yīng)用潛力。
未來(lái),量化ETF投資策略模型存在著進(jìn)一步拓展的空間。首先,隨著金融市場(chǎng)的不斷變化和AI技術(shù)的進(jìn)步,我們將探索更多的經(jīng)濟(jì)金融指標(biāo)及增強(qiáng)模型新算法等技術(shù)方法,來(lái)提高模型的反應(yīng)能力和預(yù)測(cè)能力,比如奇異譜分析(SSA)模型策略的自動(dòng)化和智能化水平的進(jìn)一步提升等。其次,在研究范圍上,除選擇國(guó)內(nèi)快速擴(kuò)張的ETF基金做投資標(biāo)的外,也可以將境外地區(qū)的ETF納入分析框架,這有助于對(duì)抗地區(qū)經(jīng)濟(jì)的不確定性,構(gòu)建一個(gè)更加全面和符合市場(chǎng)需求的ETF投資組合。最后,ETF全量化投資組合策略可以通過(guò)數(shù)字化平臺(tái)增強(qiáng)與投資者交互性,通過(guò)數(shù)字化集成平臺(tái)實(shí)時(shí)顯示ETF組合的表現(xiàn),使投資者及時(shí)、全面地了解自己的投資標(biāo)的,有助于投資者在增強(qiáng)風(fēng)險(xiǎn)管理和市場(chǎng)適應(yīng)性方面取得進(jìn)步。
參考文獻(xiàn)
[1]李慶晗.基于譜分析的股票市場(chǎng)與宏觀經(jīng)濟(jì)波動(dòng)的周期聯(lián)動(dòng)效應(yīng)研究[J].金融經(jīng)濟(jì),2017(12):72-75.
[2]雷雨,趙丹寧,蔡宏兵,等.集成奇異譜分析與ARIMA模型預(yù)測(cè)日長(zhǎng)變化[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2023,48(12):2040-2048.
[3]方意,邵稚權(quán).中國(guó)金融周期與橫向關(guān)聯(lián):時(shí)空雙維度相結(jié)合視角[J].金融研究,2022(1):38-56.
[4]趙志君,劉美欣,張曉奇.多風(fēng)險(xiǎn)資產(chǎn)的投資組合選擇與異質(zhì)性資產(chǎn)定價(jià)研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài),2023(4):59-78.
[5]隋新玉,王云清.中國(guó)股市周期與經(jīng)濟(jì)周期的比較[J].統(tǒng)計(jì)與決策,2020,36(17):129-133.
[6]楊高宇.中國(guó)股市周期與經(jīng)濟(jì)周期的動(dòng)態(tài)關(guān)聯(lián)研究[J].工業(yè)技術(shù)經(jīng)濟(jì),2011,30(10):150-160.
[7]尹筑嘉,胡薈,唐譚嶺.中國(guó)朱格拉周期與股價(jià)波動(dòng)關(guān)聯(lián)性研究——基于奇異譜的設(shè)備制造業(yè)分析[J].上海財(cái)經(jīng)大學(xué)學(xué)報(bào),2019,21(6):18-34.
[8]鄭小琴.測(cè)度我國(guó)的金融周期:基于奇異譜的分析[J].金融理論與實(shí)踐,2018(8):40-45.
[9]宋正陽(yáng),周忠寶,余樂(lè)安,等.基于混合集成預(yù)測(cè)算法和Black-Litterman模型的投資組合優(yōu)化策略研究[J/OL].中國(guó)管理科學(xué),2024:1-12.
[10]GOLYANDINANE,ZHIGLJAVSKYA.Singularspectrumanalysisfortimeseries[D].SaintPetersburgStateUniversity,2013:1-118.
QuantitativeAllocationandEmpiricalResearchofETFAssetsunderBigData
TANGTanlingHUANGBoMARong
(SchoolofEconomics,WuzhouUniversity,Wuzhou543002,China)
Abstract:ThepaperonETFInvestmentStrategiesBasedonGlobalBigDataAnalysis.Thisdepartmenthasanalyzed72financialinformationdatathroughcross-sectionaldataanalysis,utilizingtheThreeKingdomssub-index.Thisenablesacomparisonoftheeffectsofinvestmentstrategiesundergeometricmeanandarithmeticmeanconditions,stronglyrecommendingthemaintenanceoftheproportionandspecificationsoftheLVETFindextoachievethemosteffectivemarketperformance.Duringthisperiod,throughquantitativeanalysisoftheselectedThreeKingdomssub-indexETF,designedtotrackthetrendsoftheblackmarket,weprovideinvestorswiththemostvaluabledynamicanalysis.Thedepartmentsuggeststhatstrategiesdesignedtomaximizeinvestmentreturns,usingthisindex,canbedevelopedbycomparingperformancesunderdifferentmetrics,therebybettermeetingtheneedsandexpectationsofinvestorsandregulators.
Keywords:ThreeKingdomsSub-index;MetricOptimization;FinancialAnalysis;ETFInvestmentStrategies