我国股票市场技术交易规则预测能力的实证研究

我国股票市场技术交易规则预测能力的实证研究

证券投资、交易规则与证券在对有效市场假说（erh）的初步研究中，弱有效证券价格通常被认为是随机移动过程（ber等人，1997）。随机游走过程假设证券对数价格的增量(即收益率)是相互独立的,而收益率的独立性是不可直接检验的假设,因为即便收益率之间不存在线性相关,但仍然可能存在各种形式的非线性相关。基于这个原因,对弱式有效市场的另一种检验方法是检验技术分析方法是否具有预测能力。技术分析试图通过对历史价格、交易量和其他证券交易指标的综合分析来预测价格未来走势,因此,技术分析方法的使用及其预测、获利能力直接与有效市场假说相矛盾。尽管这种检验方法存在所谓联合检验问题①1,但多年来对技术交易规则有效性的检验已成为学术界关注的焦点。国外学者的早期研究支持随机游走假说,他们认为收益可预测性在统计意义上和经济意义上都太小,技术分析不能帮助投资者预测未来价格的变动(Fama、Blume,1966;Levy,1967;Jensen、Bennington,1970),但这些检验大多基于线性模型和传统的统计检验方法,在检验技术分析能否获得超常收益方面存在缺陷。Brock等指出,在检验一种交易规则能否获得超常收益时必须考虑其他交易规则的影响,而运用传统的统计方法很难对各种交易规则间这种复杂的依赖关系进行检验;另一个问题是,由于股票收益率存在尖峰胖尾、时变均值、条件异方差等特征,使得对各种交易规则超额收益的显著性t检验存在明显的缺陷,因而检验结果的真实性和准确性很难保证。因此,早期有关技术分析无效的研究结论值得商榷。Brock等首次提出运用Bootstrap方法(一种再抽样方法)对具有特定结构的收益率模型进行再抽样检验,以得到技术交易规则的超额收益以及其他检验统计量的经验分布,不但能够对多种交易规则进行联合检验,而且还能对超额收益进行更为精确的统计检验。更为重要的是,使用Bootstrap方法还将有助于人们从正确理解收益率动态过程的角度来寻求技术分析方法有效的原因。该文采用道琼斯工业指数(DJIA)1897～1986年间的数据,对移动平均规则(movingaveragerule)和阻力线支撑线规则(resistanceandsupportlevelrule)这两种最常见的技术分析交易规则的实证检验表明,技术分析有助于预测股票收益,交易信号所产生的买入区间的收益率(为正)大于卖出区间(为负)而波动率却小于卖出区间,这一现象不能被通常的风险-收益关系所解释。并且,运用Bootstrap方法研究发现,技术交易规则所揭示的收益率和波动率在买、卖出区间的这种非对称性并不能被各种线性原假设模型(如随机游走、GARCH、GARCH-M等模型)所解释。在Brock等的经典文献之后,学者们对其他国家和地区股票市场的大量研究均得到了类似的实证结果(Huason等,1996;Bessembinder等,1995;Lebaron,2000;Marshall等,2005),但这些关于技术交易规则预测能力的Bootstrap检验主要针对收益率动态过程的线性模型。而Brock等曾进一步指出,买卖出区间的收益率和波动率表现出的非对称特征预示着股票收益率动态过程可能是一个非线性过程,技术交易规则可能因捕捉到其中某些隐藏的非线性特征而具有预测能力。在进一步的研究中,GenCay(1996)根据Brock等的结论预示,采用前向人工神经网络(feedforwardartificialneuralnetwork)方法,基于移动平均规则建立了技术分析非线性预测模型。该文对1967～1988年期间道琼斯工业指数(DJIA)5个阶段的数据进行实证研究表明,人工神经网络模型能够大幅提高移动平均规则对收益率的样本外预测能力。Rodriguez等(2000)对西班牙马德里股票市场的研究表明,基于简单移动平均交易规则构建的人工神经网络交易模型能够获得远高于买入持有策略的超额收益。国内已有学者对我国股票市场技术分析有效性进行了一些实证研究(林玲等,2000;韩杨,2001;戴洁等,2002;唐或等,2002),但这些研究均采用传统的统计检验方法,其检验结果不可避免地存在Brock等所指出的两个缺陷。因此,技术分析方法在我国股票市场是否有效有待进一步检验。本文对我国股票市场移动平均规则的有效性进行了更深入的实证检验,发现移动平均规则所产生的买入区间收益率更大而波动率却更小,卖出区间的收益率为负而波动率却更大,并且买入区间价格上涨的趋势比卖出区间更强,表明移动平均规则具有预测能力。进一步,使用Bootstrap方法检验表明,随机游走、AR(1)、GARCH(1,1)和GARCH-M(1,1)这四种常用的收益率线性模型均不能解释移动平均规则的买入、卖出区间在收益率与波动率方面所表现出的非对称现象,尤其无法解释卖出区间收益率为负的现象。因此,与Brock等的结论一致,本文的实证结果也预示着技术交易规则可能因捕捉到股票收益率动态过程中某些隐藏的非线性特征而具有预测能力。尽管GenCay(1996)所建立的非线性模型被证明具有更高的预测能力,但由于现有研究主要针对收益率的线性模型而尚未对其非线性模型进行Bootstrap检验,因此该非线性模型能否解释买卖出区间收益率的非对称性还有待于使用Bootstrap方法对收益率的非线性过程中移动平均规则的预测能力作出明确检验。此外,GenCay(1996)所建立的非线性模型中仅考虑了收益率自身的历史信息,而并未考虑买卖出区间波动率的非对称特征。因此,本文改进了Gencay(1996)的非线性模型,借鉴GARCH类模型对于波动率的建模思想,在收益率的非线性过程中引入了条件异方差结构,并使用Bootstrap方法明确检验了非线性过程中移动平均规则买入、卖出区间的收益率与波动率特征,发现引入条件异方差结构后的非线性模型不但能够更好地解释买卖出区间收益率的非对称性以及卖出区间收益率为负的现象,而且还提高了对买卖出区间波动率的解释能力。因此,本文的实证检验结果表明,股票收益率动态过程中确实存在非线性特征,移动平均规则能够捕捉到这些非线性特征可能正是其具有预测能力的原因。一、入销售交易信号移动平均规则是股票市场上运用最为广泛的技术分析交易规则之一,其基本思想是通过研究市场最近的历史信息来预测市场未来发展趋势。本文将以移动平均规则为基础检验技术分析的预测能力。移动平均规则的买入和卖出交易信号由股票价格序列的短期和长期移动平均生成,当短期移动平均自下而上超过长期移动平均时买入,当短期移动平均自上而下穿过长期移动平均时卖出。股票价格移动平均定义如下:其中pt,t=1,2,…,T为价格,n表示移动平均的天数,买卖交易信号定义为:其中,大(小)于0时产生买入(卖出)交易信号,n1和n2分别表示短期和长期移动平均的天数。本文将要检验的是最常用的MA(1,5),MA(1,10),MA(1,20),MA(1,50),MA(2,20),MA(2,50),MA(1,150),MA(5,150),MA(1,200),MA(2,200)共十种移动平均规则,括号内第一个数字表示短期移动平均天数,第二个数字表示长期移动平均天数。其中,前六种为中短线移动平均规则,后四种为长线移动平均规则,本文选取的规则包括了Brock等所检验的六种规则。引入幅度band使得短期移动平均必须超出(或低于)长期移动平均某个百分比才生成买入(卖出)信号,从而减少误操作次数。唐或等(2002)的实证研究表明,幅度为1%的移动平均规则的预测能力得到了显著提高,因此,本文将幅度band设为1%。交易信号将所有交易日划分为买入(b)区间、卖出(s)区间和无交易区间。若第t个交易日产生一个买入(卖出)信号,则定义为买入(卖出)区间收益率,以此考察技术交易规则的预测能力。买卖出区间收益率均值可定义为条件期望形式:买卖出区间的波动率可定义为条件方差形式:与Brock等相同,本文选取h=1,即考察交易信号发出后1个交易日内价格的变动。本文将选取上证综合指数1996年1月2日至2005年12月30日十年共2417个交易日的日收盘价作为实证研究的样本。表1报告了样本日收益率的描述性统计量。日收益率(无条件)均值为0.032%,偏度(skewness)显著小于0而峰度(kurtosis)显著大于3,并且JB统计量也具有高度的显著性,表明我国沪市综合指数的日收益率不是正态分布的。二、买卖区间、各种中短线规则的时间跨度比较表2详细报告了上证指数10种移动平均规则的标准检验结果。总体而言,6种中短线规则的买入区间日收益率均值均为正,而卖出区间均为负,其中6种规则的买入区间收益率平均值为0.1001%,卖出区间为-0.0426%,买卖区间收益率差额达到0.1427%,而这一期间上证指数日收益率的无条件均值仅为0.032%(即买入持有策略的收益),因此,相对买入持有策略而言,在不考虑风险和交易成本的情况下,使用移动平均规则进行投资存在获得超额收益的可能。这一结果与Brock等一致,该文发现美国股市道琼斯指数各移动平均规则买入区间收益率均值为0.042%,卖出区间收益率均值为-0.025%,而买卖区间收益率差额为0.067%。但是,从各种规则的时间跨度来看,中短线移动平均规则的表现要明显好于长线规则,4种长线规则买卖区间收益率差额均高度不显著,这一实证结果与唐或等的发现一致,但Brock等并未发现长短期规则的预测能力具有显著差异,这表明我国股票市场上投资者主要关注市场短期趋势。因此,下文将主要针对以上6种中短线规则做进一步检验。从买卖区间的价格变动方向来看,移动平均规则也表现出了较强的趋势预测能力。从表2的第7、第8列可以发现,买入区间的收益率大于0的比例均大于50%,6种规则的平均值为54.56%,而卖出区间的收益率大于0的比例小于50%,各规则的平均值为49.37%。这表明买入信号发出后股票价格上升的趋势更大,而卖出信号发出后价格下降的趋势更大,因此移动平均规则可用于预测价格变动方向。从买卖区间的波动率来看,我们得到了与Brock等相同的实证结果。6种中短线规则买入区间的波动率(用收益率的标准差表示)均小于卖出区间,买入区间的平均波动率为0.0165,而卖出区间为0.0177,表明通过买入信号能够预测收益率动态过程中高收益、低波动的区间,而在卖出区间虽然波动率更大,但收益率却为负。如果使用波动率来度量风险,那么,我们的实证结果实际上表明使用移动平均规则在买入区间可获得更大的收益而所承担的风险却更低。综上所述,我们的实证结果支持了技术分析方法在我国股票市场上具有预测能力。三、比较分析的结果和比较1.条件异方差结构的选择上述研究表明,买卖区间在收益率、波动率和价格变动方向上表现出了非对称性,这可能预示着股票收益率动态过程中存在着某些非线性特征,而技术交易规则可能因捕捉到这些非线性特征而具有预测能力。因此,本文将采用Bootstrap再抽样方法,假设真实收益率服从各种结构性原假设模型(线性和非线性模型),然后对原假设模型的残差进行再抽样,以检验原假设模型是否能够解释移动平均规则所产生的买卖区间在收益率、波动率和价格变动方向上的非对称特征①2。由于弱式有效市场的具体表现形式为随机游走模型,本文将首先检验随机游走模型(RW)是否能够解释移动平均规则的预测能力:其中,误差项εt～IID(0,σ2)。此外,本文还将检验收益率的自回归模型AR(1):由于股票收益率存在条件异方差和时变的条件均值,本文将要检验的第三、第四个线性原假设模型分别为GARCH(1,1)和GARCH-M(1,1)模型:其中,误差项,表示μt是独立同分布的标准正态分布,条件异方差形式为为解释收益率过程的差异特征,本文还将建立如下人工神经网络模型(GenCay,1996):需要指出的是,尽管Gencay(1996)的研究表明式(11)对收益率具有更高的预测能力,但该模型只是针对收益率的一阶矩建模,因此对波动率的预测能力可能有所欠缺。为更好地解释真实收益率动态过程的波动特征,本文借鉴GARCH类模型对波动率的建模思想,在式(11)的残差εt项中引入了形式为GARCH(1,1)的条件异方差结构:对式(11)进行人工神经网络拟合后,再对其残差εt进行GARCH(1,1)回归,然后对标准化后的残差(即上文所提到的)进行Bootstrap再抽样,从而将条件异方差结构引入到收益率的非线性过程中。可以预期,引入条件异方差结构的人工神经网络模型不但具有非线性模型对于收益率本身的预测能力,而且还具有GARCH类模型对波动率的预测能力,因此可能会更好地解释移动平均规则的预测能力。式(11)采用单隐层、输出层为线性的前向人工神经网络(thesingle-layerfeedforwardneuralnetwork)结构。其中,εt～ⅡD(0,σ2),d表示隐层神经元个数,βj表示隐层各神经元的权重,G是隐层神经元的传递函数,本文取为logistic函数,即G(x)=1/(1+exp(-γx))。logistic函数是一个sigmoid函数①3,在人工神经网络领域被广泛应用。理论研究证明,一个足够复杂的单隐层前向网络能以任意精度逼近于任意未知函数。网络复杂性由隐层神经元个数d决定,本文取最大神经元数为10。对本文所考虑的所有神经网络模型,最小训练误差设为0.01%,最大训练次数设为5000次,并选取更适合于大型网络的量化共轭梯度法训练函数trainscg对神经网络进行训练。由于神经元个数太少会造成神经网络的不适性,而神经元个数太多又会引起神经网络的过适性,因此本文采用施瓦茨信息准则②4(SIC)来确定神经网络模型的隐层神经元数d,兼顾模型的拟合程度和简约原则。2.不同规则之间的联合检验表3报告了随机游走模型的Bootstrap检验结果。以MA(1,5)规则为例,随机游走模型的500个再抽样样本买入区间平均收益为0.0292%,其中大于真实价格序列中买入区间平均收益(0.1598%)的比例即模拟p值仅为0.026,卖出区间收益的p值为0.838,而买卖区间收益差额的p值仅为0.026,表明随机游走过程无法产生真实价格序列中的买入区间收益以及买卖区间收益的巨大差额。对价格变动方向而言,买入区间的p值为0.01而卖出区间为0.21,表明随机游走过程无法解释真实价格序列中买入区间价格上升的趋势。卖出区间波动率的p值为0,表明随机游走过程低估了真实价格序列中卖出区间的波动率。使用Bootstrap方法的另一优势在于能够对所有交易规则进行联合检验,与Brock等相同,本文将主要关注6种规则的平均值及其p值,以此来考察各种规则之间的相互影响。从表3的最后一行可以看出,6种规则买入区间收益的p值为0.084,卖出区间收益的p值为0.928,均在10%的显著性水平下显著,而买卖区间收益差额的p值仅为0.018,表明随机游走过程低估了买入区间的收益而高估了卖出区间的收益,进而无法解释真实价格序列中买卖区间的收益率差额。需要指出的是,在真实价格序列中卖出区间的收益为负,而随机游走过程所产生的卖出区间收益均为正,表明随机游走过程无法解释卖出区间收益为负的现象。此外,买入区间价格上升比例的p值为0.006而卖出区间为0.852,买入区间波动率的p值为0.648而卖出区间为0.094,这一结果与Brock等的实证结果类似,不同的是他们发现随机游走过程高估了真实收益率买入区间的波动率(p值为1.0)。对AR(1)过程的Bootstrap检验得到了与随机游走过程类似的结果。AR(1)过程的买入区间收益的p值为0.084,卖出区间收益p值为0.93,买卖区间收益差额的p值为0.024,买入区间价格上升比例的p值为0.002,而卖出区间波动率的p值为0.114(本文并未列出其详细检验结果)。因此,我们的实证结果拒绝了真实收益率服从随机游走或AR(1)过程的原假设,这两个模型无法解释移动平均规则在真实价格序列中的预测能力。3.模型的检验和应用由于GARCH(1,1)模型捕捉到了真实收益率过程中的波动率聚集(volatilityclustering)效应,我们预期GARCH(1,1)过程的Bootstrap检验能够在买卖区间的波动率方面有所改善。实证结果表明(未列出其详细检验结果),GARCH(1,1)过程的买卖区间波动率的p值分别为0.818和0.652,表明GARCH(1,1)过程所产生的买卖区间的波动率与真实收益率过程无显著差异,这相对于随机游走和AR(1)过程有明显改善,这一结果与Brock等的结果不同,他们的研究表明GARCH(1,1)过程高估了买入区间的波动率(p值为0.986)。但是,买入区间收益率的p值为0.072,买卖区间收益差额的p值为0.052,表明GARCH(1,1)过程仍然低估了真实价格序列中买入区间的收益以及买卖区间收益差额。因此,我们的实证结果拒绝了真实收益率服从GARCH(1,1)过程的原假设,GARCH(1,1)模型虽然能够解释真实收益率过程中买卖区间的波动性特征,但仍无法解释移动平均规则对于买卖区间收益率的预测能力。而GARCH-M(1,1)模型不但允许条件异方差的存在,而且允许条件均值随时间变化,其中时变的条件均值可能是收益可预测性的一个重要原因,因此我们预期GARCH-M(1,1)模型能够解释买卖区间收益的差额。表4表明,GARCH-M(1,1)过程的买入区间收益的p值为0.442,买卖区间收益差额的p值为0.12,相对随机游走、AR(1)和GARCH(1,1)模型均有明显改善。但卖出区间收益的p值为0.966,且各规则卖出区间的收益均为正,表明GARCH-M(1,1)模型高估了真实价格序列中卖出区间的收益,并且仍然无法解释卖出区间收益为负的现象。此外,买入区间波动率的p值达到0.922,表明GARCH-M(1,1)模型高估了买入区间的波动率。因此,我们拒绝了真实收益率服从GARCH-M(1,1)过程的原假设。4.条件异方差结构的改进及检验以上再抽样的实证结果表明,收益率的各线性模型不能很好地解释真实价格序列中买卖区间在收益率、波动率及价格变动方向上的非对称性,因而收益率过程中可能存在某些非线性特征。本文使用人工神经网络方法对收益率建立了非线性模型,并对其进行Bootstrap检验,我们发现了一些与线性模型不同的实证结果。如表5的最后一行所示,卖出区间收益的p值下降到0.73,并且各规则的卖出区间收益均为负值,表明神经网络模型能够解释真实价格序列中移动平均规则在卖出区间负收益的现象,这是上述所有线性模型所无法解释的现象。但是,买入区间收益均值的p值为0.09,买卖区间收益率差额的p值为0.118,虽然相对随机游走、AR(1)和GARCH(1,1)模型有所改善,但不如GARCH-M(1,1)模型。此外,卖出区间波动率的p值仅为0.062,表明神经网络模型在刻画波动率特征方面有所缺陷,这也证实了前文的推断。基于以上两个原因,本文借鉴GARCH类模型对于条件异方差的处理方法,在收益率的非线性过程中引入条件异方差结构,一方面可改进神经网络模型对于波动率的刻画;另一方面则旨在进一步提高非线性模型对于收益率自身特性的解释。对该模型的Bootstrap检验结果见表6。从表6可以发现,在收益率的人工神经网络模型中引入条件异方差结构后,对收益率和波动率的刻画均得到了明显的改善。买入区间收益的p值上升到0.238,买卖区间收益差额的p值上升到0.1