林晓明 S0570516010001 研究员
SFC No. BPY421
李 聪 S0570519080001 研究员
韩 晳 S0570520100006 研究员
王佳星 S0570119090074 联系人
报告发布时间:2021年2月04日
摘要
量价类情绪指标可衡量市场温度,后市预期类情绪指标有助于择时
本文从“量价数据”和“后市预期”两个维度筛选和构建共21个情绪面指标,并采用统一的数据处理和回测分析框架对其进行择时有效性检验。结果表明:大部分基于量价数据构建的指标与市场走势同步,可作为投资者情绪的度量,而不具备明显的提前预判效果。其中,基于个股和一级行业涨跌构建的指标虽与市场同步,但对市场变动敏感,是良好的市场情绪“温度计”。基于融资融券行为和期货期权市场等跨期交易数据构建的指标蕴含投资者对后市的预期,是市场先行指标,择时效果较好。
从“量价数据”和“后市预期”两个维度挖掘和构建情绪面指标
市场情绪反映投资者参与当下市场交易的意愿以及对未来市场走势的预期。前者可以通过股票市场量、价、投资者仓位等数据进行刻画,后者可通过跨期交易行为进行刻画。对于第一个维度,本文选取换手率、成交量表征交易热度,构建市场涨跌类指标表征市场强弱状态,综合反映投资者参与当下市场投资的意愿;对于第二个维度,则主要考察融资融券、股指期货、期权这三类市场的投资者行为,表征投资者对未来市场走势的预期。从逻辑上,这两类指标反映投资者情绪不同维度;从构建方式上,两类指标主要区别在于是否直接依赖于股票市场的量价数据。
构建统一择时框架并筛选稳健最优策略以检验指标择时效果
对指标择时有效性的检验需要基于统一的回测和分析框架。本文首先对指标进行平稳性处理获取其原始数据或边际变化信息、平滑处理以提高信噪比;然后选取上证指数作为市场走势代表,基于多种择时策略,对上证指数进行择时,考察指标择时效果。最后从若干种数据处理方案和择时策略中筛选匹配该指标的稳健最优策略,通过基于该指标的最优策略与基于择时标的自身的最优策略进行对比,考察指标是否提供增量信息即是否有助于A股择时。
量价数据类指标与市场走势同步,后市预期类指标较为领先有助于择时
实证检验发现,上述指标中,换手率、成交量等表征全市场交易热度类指标以及基于细分资产强弱势状态构建的市场涨跌类指标反映了投资者参与当下市场交易的意愿,大多与市场走势同步,可作为市场情绪的“温度计”,而不具备显著的择时能力。融资融券行为、期货、期权市场量价和仓位数据反映投资者对后市的预期,指标走势中蕴含投资者观点,具备一定的增量信息,在牛熊切换的拐点领先于市场,基于这类指标构建的策略往往好于基于市场指数自身构建的择时策略。
风险提示:择时等量化模型都是对历史投资规律的挖掘,若未来市场投资环境发生变化,则量化投资策略存在失效的可能。本文用于筛选稳健最优策略的回测过拟合概率是将历史回测表现的时间序列经过简单打乱重排计算得到,忽略回测的路径依赖特性,存在过度简化的可能。本报告对历史数据进行梳理总结,不构成任何投资建议。根据历史数据的规律总结,存在失效的可能,历史结果不能简单预测未来。
报告正文
本文导读
长久以来,对A股市场进行的整体的方向性判断都是投资者广为关注的话题。量化择时往往从技术分析入手,通过价格本身判断未来走势,这种方式有其可取之处。然而,除市场自身走势之外,我们希望从更多维度佐证观点。一方面,单一维度的信息对市场的反映可能并不全面,需要多个视角的结论相互印证;另一方面,以上证指数、沪深300等宽基指数为代表的综合性量价数据已被投资者广泛关注和使用,增量信息有限,采用其他指标,并加以适当加工所挖掘出来的“隐性信息”可能比市场指数这种“显性信息”提供的增益更大。
情绪面、资金面、基本面等指标中蕴含着对市场未来走势的增量信息,但这些信息与市场走势之间的关系尚待充分挖掘和验证。本文旨在验证情绪面指标择时效果。这几类指标之间互有联系,难以完全分割。在本文研究中,我们首先对这几类指标做一些粗浅的划分,以避免概念上的混淆。我们认为,情绪面指标应侧重反映投资者对未来市场走势的预期和参与投资意愿强度,可以通过市场成交量、新开账户数等具体指标进行刻画;资金面反映不同来源的资金对市场实际参与的程度及其规模变化,包括但不限于北向资金、产业资本、本土机构投资者如公募基金等;基本面包括宏观和微观等表征实体经济运行状态的指标,宏观基本面如工业增加值、PMI、货币供应量、通胀等刻画经济产出、流动性等具体指标,微观基本面以企业的盈利、估值等指标为主。
本文重点研究情绪面指标。首先选取一系列反映投资者对未来市场走势的预期和参与投资意愿强度的指标,然后对这些指标进行一定程度的数据预处理;接下来对预处理后的指标进行多策略择时;最后筛选与各个指标相匹配的预处理方式和择时策略。将基于该指标的最优策略与基于市场指数自身的最优策略进行对比,如跑赢基于择时标的自身构建的最优策略,则认为该指标提供了增量信息;如果没有优势,则认为该指标并无显著增益。考虑到市场关注度,择时标的选取为上证指数,但该择时体系同样适用于其他宽基指数的择时。从多种数据预处理和择时策略中选最优的过程有一定的数据挖掘风险,但通过“最优”对“最优”的比较方式,我们至少可以获得该指标是否能提供增量信息的一个直观判断。
指标选取
市场情绪反映投资者参与当下市场交易的意愿以及对未来市场走势的预期。本文从两个角度构建情绪面指标,一:量价数据类:二:后市预期类。第一类指标由股票市场中资产价格和成交量数据加工而来,旨在通过市场自身的强弱势状态和交易热度刻画投资者情绪。从“量”的角度,交易热度是投资者参与当下市场投资意愿的直观反映;从“价”的角度,当强势上涨类资产占比高于弱势下跌类资产占比时,则市场整体以强势上涨为主,隐含投资者积极参与市场交易的乐观情绪;反之,弱势下跌类资产占比较高隐含投资者对市场的悲观情绪。
第二类指标由融资融券、股指期货、期权等跨期交易者的交易数据加工而来,体现不同市场参与者从价格、持仓中隐含的对未来市场的涨跌方向的预期,与第一类指标最显著的区别是不直接依赖于股票市场量价数据。下文具体介绍各个指标。
量价数据类指标选取
量价数据类指标包含交易热度和市场涨跌两个子类。交易热度采用万得全A换手率、成交量直接度量;市场涨跌类指标通过细分资产价格行为划分资产强弱状态,并进一步划分市场的强弱势状态。
全市场交易热度
我们选取了换手率和成交量两个指标来衡量市场的交易热度,通常来说,当换手率和成交量越高的时候,体现投资者参与市场的情绪和意愿越强烈,即情绪较乐观。换手率和成交量指标和大盘走势的对比如下,可以看出,这两个指标和大盘走势近似,并不存在显著的领先或滞后性,大概率是市场同步指标,预期产生的增量信息较少。
1.换手率:万得全A(881001.WI)的换手率(Wind代码:free_turn_n)
2.成交量:万得全A(881001.WI)的成交量(Wind代码:volume)
市场涨跌类指标
市场涨跌类指标以强弱程度判断投资者情绪。构建这类指标时,我们不直接考察综合指数的价格走势,而是从更细一级的资产如个股、一级行业入手,因为这些层面的信息相对来说更为“隐性”,且往往比整体市场走势更为敏感、领先,通过对这些数据的加工处理有可能获得更多增量信息。
对于资产的强弱势状态,可以从上涨/下跌、创新高/新低、涨停/跌停(仅个股适用)、技术指标等维度刻画,其中,涨跌停、创出新高或新低等价格行为对于投资者情绪影响可能更为剧烈,对市场状态的刻画也更具标志性意义(例如,上涨9.5%和涨停虽然只相差0.5%,但对投资者情绪的积极影响远大于0.5%)。创新高/新低需设定时间窗口长度,时间窗口越短,触发该行为的资产数量越多,变动也越频繁;窗口越长,变动越缓慢,但触发后对投资者情绪影响越显著,本文考虑3年、1年、6个月、1个月等时间窗口,共计采用上涨/下跌、涨停/跌停、创新高/新低等三个维度刻画资产强弱势状态,通过强势资产成交额占比与弱势资产成交额占比之差刻画市场的强弱势状态。
具体地,在个股层面,我们考察全部A股的强弱势占比。构建指标池如下:
个股类指标走势如下图所示,由于原始数据波动剧烈,本文仅展示20日移动平均(市场涨跌类指标平滑时仅使用当前时间点及之前的历史数据)后的结果,便于投资者观察指标走势和择时标的之间的领先滞后关系。从下图可以看出,涨跌、涨跌停类指标即使经过平滑,仍波动较大,跟踪观测时可能需要更长的平滑窗口;创新高(低)类指标随着时间窗口延长,规律逐渐清晰。该类指标在2007年和2015年两次大的牛市顶点同步甚至领先于上证见顶,特别是在2007年牛市顶部附近提前发出信号,2015年该类指标在牛市附近创双顶,对牛市定点的识别是该指标的一大优点;然而缺点在于,该指标噪声较大,用于择时可能胜率不高。
在行业层面,我们使用中信一级行业指数,构建指标池如下:
行业指标采用中信一级行业指数从2005年开始的数据,构建这一类指标时,最长需要3年的时间窗口,故这类指标展示从2008年开始。与个股类似,基于涨跌构建的指标波动较大,后续平滑时可能需要更长的时间窗口;基于创新高(低)行为构建的指标,随着时间窗口延长,走势趋于清晰,2015年牛市顶点附近有一定的领先作用。对于行业指标,同样取20日移动平均后展示。
后市预期类指标构建
后市预期类主要通过跨期交易行为刻画投资者对后市的预期,指标选取如下,共包含融资融券相关四个指标、以及期货、期权市场相关指标。
融资融券类指标
融资交易即投资者以资金或证券作为质押,向证券公司借入资金用于证券买入,并在约定的期限内偿还借款本金和利息。融券交易即投资者以资金或证券作为质押,向证券公司借入证券卖出,在约定的期限内,买入相同数量和品种的证券归还券商并支付相应的融券费用。一般来说,融资交易的进行表明交易者对于证券有较强的上涨预期,而融券交易则表明交易者对证券较强的下跌预期。我们选取以下四个融资融券相关指标进行研究:
1.融资买入额(Wind代码:M0075987)为流量数据,指投资者在某个时间段内向证券公司借入资金用于买入证券的金额,由交易所直接公布。该指标波动较为剧烈,为了清晰展示指标走势与上证指数走势的关系,我们对指标做移动平均(移动平均时以当前数据为中心点,该方式仅用于展示数据,不涉及策略回测)处理。可以看出,平滑后的融资买入额与上证指数基本同向,在2015年牛市顶部领先于上证,在2019-2020年的小幅回调中,对顶部均有一定指示作用;预计该指标会有较好的择时效果。
2.融券卖出额(Wind代码:M0075988)为流量数据,指投资者在某个时间段内向证券公司借入证券用于卖出的金额。计算方式(计算方式来源为Wind)为:股票当日卖空成交量(交易所直接公布值)*股票当日全部成交均价。需要说明的是,融券卖出操作的政策限制较融资买入更为严格,可进行融券交易的标的证券范围较小,保证金比例较高,导致融券规模远远小于融资规模,2015年后,融券卖出额大幅下降,至今仍保持在较低水平。故这一指标并不能完全反映市场的卖空力量。
从增量指标融资买入额和融券卖出额的走势来看,虽然二者逻辑上反向,但实际走势却与市场同向,市场大涨时,两融交易均趋于活跃;反之市场低迷时,两融交易也较清淡。
3.融资余额(Wind代码:M0075990)为存量数据,即投资者向通过融资方式买入证券的金额在某时点的值,当日融资余额=昨日融资余额+今日融资买入额-今日融资归还额。
4.融券余额(Wind代码:M0075991)为存量数据,指投资者通过融券卖出的证券价值余量,计算方式(计算方式来源为Wind)为:融券余量*本期最新收盘价。
从数量级来看,融资余额的量级是融券余额的10倍以上,融资交易占两融交易的主要部分;从走势来看,2015年,融资和融券余额分别达到一个阶段性峰值,此后融资余额大幅下滑,2019年开始回升,目前还未恢复至2015年高点;融券余额2020年后大幅上升。
期货市场指标
期货具有较好的价格发现功能,期货市场参与者的行为蕴含了对后市的观点。我们选取了沪深300和中证500股指期货(上证50期货经测试效果不及其他两个期货品种,故本文未详细介绍)年化基差率(取相反数,即期货价格-现货价格)来衡量股指期货市场参与者的后市预期。
1.股指期货年化基差率:构造方法:(当月期货价格 –现货价格)/现货价格*250/( 当月期货剩余到期日)。期货相对现货价格上涨,体现投资者对后市的上涨预期。
期权市场指标
采用上证50ETF期权的认沽认购比(PCR)表征期权市场参与者对后市的预期。常用PCR指标包括成交量PCR和持仓量PCR指标,成交量PCR指标衡量某段时间内不同类型合约的成交活跃程度,而持仓量PCR衡量某段时间不同类型合约的持仓力量。
1.50ETF成交量认沽认购比率:构造方法:上证50ETF(510050.SH)的日认沽成交量/上证50ETF(510050.SH)的日认购成交量,Wind代码为volumeratio,同样经平滑处理后展示其走势。成交量PCR衡量单日增量水平,变动较为剧烈,且与市场走势反向。因此,对成交量PCR,应取其倒数(即认购认沽比)进行择时。成交量PCR倒数在2019年之前与市场基本同向并领先,体现出一定的左侧择时价值,但需警惕指标拐点与市场真实拐点可能偏离较大的风险(即投资者过早估计了牛熊切换的时间)。
2.50ETF持仓量认沽认购比率:构造方法:上证50ETF(510050.SH)的日认沽持仓量/上证50ETF(510050.SH)的日认购持仓量,Wind代码为oiratio。持仓量PCR衡量存量水平,变动较为缓慢,与市场基本同涨同跌。
指标回测与分析框架
择时检验流程如下图所示:首先,对数据进行预处理,获得若干子指标;其次,对预处理之后的指标采用多种策略发出择时信号,对上证指数进行择时;最后综合筛选最优参数组合,并与基于择时标的自身构建的最佳策略对比,考察是否有增益。
数据预处理
在正式进行回测以前,我们先对不同数据分别进行平稳性处理和平滑处理,不同指标采用的预处理方式如下表所示:
1:平稳性处理
从数据结构角度来看,取一阶差分或变化率相当于对原始数据去趋势,使数据变化更加平稳;从指标逻辑角度来看,一阶差分或变化率体现了数据的边际变化,在某些情形下会比原始数据更能刻画市场情绪的走势。例如对于融资融券余额,近年来整体呈明显大幅上涨趋势,其边际变化可能比绝对数值更具情绪指示意义。对于市场涨跌类指标,由于强弱势指标本身已经刻画了当日的增量信息,因此我们不再进行差分处理。
2:平滑处理
对数据做平滑处理,取N日移动平均,以过滤一定尺度内的噪声。例如,N日移动平均处理可以过滤1/N频率以上的高频信息,从而专注到N日以上尺度的择时。
择时策略
接下来,采用多种择时策略对上文构建的各个子指标进行择时检验。经过前文指标介绍时的做图分析,多数指标与市场走势相同,由于市场具有明显的动量效应,所以我们采取的多数策略为趋势跟踪类,仅有(11)分位数为反转策略。
(1) 布林带策略
计算各指标过去20个交易日的均值加/减1.5倍标准差,作为该指标的上轨和下轨;当指标突破上轨时,认为市场存在上行趋势,对标的资产看多;相反当指标突破下轨时,认为市场存在下行趋势,对标的资产看空;其他情况则认为无信号,维持前期仓位。
(2) MACD策略
计算各指标的快速线DIF、慢速线DEA与MACD值,其中快速线DIF为该指标12个交易日的指数加权移动平均值与26个交易日指数加权移动平均值之差,慢速线DEA是DIF 9个交易日的指数加权移动平均值,MACD为快速线DIF与慢速线DEA之差。当DIF、DEA 均为正且MACD 由负转正时,对标的资产看多。当DIF、DEA 均为负且MACD 由正转负时,对标的资产看空,其他情况则认为无信号。
(3) DMA策略
计算各指标的短期均线和长期均线的差DMA,以及DMA的移动平均线AMA,其中DMA为该指标10个交易日的移动平均值减去50个交易日的移动平均值,AMA为DMA的10个交易日的移动平均值。若DMA 线自下而上穿过AMA线,则对标的资产看多,反之则对标的看空。与双均线策略不同点在于,该指标侧重考察价格的二阶导,加速上升阶段和减速下降阶段均可能发出看多信号。
(4) RSI策略
计算各指标的RSI值,其中RSI = [A÷(A+B)]×100%,A为近14个交易日内的该指标上涨幅度总和,B为近14个交易日内的该指标下跌幅度绝对值的总和。当RSI小于30时,对标的资产看空;当RSI大于70时,对标的资产看多,其他情况则认为无信号。
(5) 双均线策略
计算各指标的短期均线SMA与长期均线LMA,其中SMA为该指标10个交易日的移动平均值,LMA为该指标60个交易日的移动平均值。当SMA线自下而上穿过LMA线时,对标的资产看多,反之则对标的资产看空。
(6) 动量策略
计算各指标过去120个交易日的涨跌幅,若涨跌幅>0, 则对标的资产看多,反之则看空。
(7) 海龟交易策略
计算各指标过去20个交易日的最高值MAX以及最低值MIN,若当前指标取值向上突破MAX时,则对标的资产看多;相反若当前指标取值向下突破MIN时,则对标的资产看空,其他情况则认为无信号。
(8) Aberration策略
计算各指标的上轨、中轨与下轨,其中中轨为该指标20个交易日的移动平均线,上下轨为在中轨基础上加/减1.5倍标准差。若当前指标取值突破上轨则对标的资产看多,若突破下轨则对标的资产看空,若跌破中轨则平仓离场,其他情况则认为无信号。
(9) 钱德动量指标CMO策略
计算各指标过去12个交易日的CMO值,其中CMO =(Su - Sd) × 100 / (Su + Sd),Su为该指标上涨日取值与前一日取值的差值加总,Sd为该指标下跌日取值与前一日取值的差值的绝对值加总。当CMO由负转正时,对标的资产看多,反之则对标的资产看空。
(10) 连续涨跌天数策略
计算各指标的连续涨跌天数。当连续上涨天数达到3天时,则认为形成短期上涨趋势,对标的资产看多;当连续下跌天数达到3天时,对标的资产看空,其他情况则认为无信号。
(11)分位数反转策略
计算各指标过去240个交易日的90%分位点和10%分位点。当该指标向上突破90%分位点时,认为超出合理区间,对标的资产看空,当该指标向下突破10%分位点时,认为低于合理区间,对标的资产看多,其他情况则认为无信号。
(12)同比动量策略
同比动量策略:观察择时指标月频同比值(过去一年收益率),若同比值上升则看多,同比值下降则看空,该指标信号为月频,将原始信号向后填充,扩展为日频,保持跟其他策略信号频率一致。
这里我们需要再次指出,部分指标如融券卖出额,从逻辑上是市场的看空信号,但从其走势却与市场大部分时间同向,故而同样适用于趋势跟踪类策略。
回测检验
以上证指数(000001.SH)为择时标的,分别对数据预处理后每个指标下的12个策略进行日频纯多头回测,交易费用设置为双边万分之五,并统一回测区间。分别计算每个策略的年化收益率、年化波动率、夏普比率、最大回撤等指标。
参数筛选和分析
通过上述数据预处理和择时检验,针对每个指标,我们获得若干种数据预处理方案和择时策略的结果,以下进行参数筛选和过拟合检验。这一步筛选旨在为每个指标匹配稳健最优的参数,即数据预处理方法和择时策略(数据预处理方案和择时策略,本质上都是对指标的加工利用方式,可统称“参数”)。其中“最优”是指策略的夏普比率最高,“稳健”是指过拟合风险较低。在华泰金工人工智能系列报告(《基于 CSCV 框架的回测过拟合概率》,2019-6-17)中,我们引入了组合对称交叉验证(CSCV)框架计算策略的过拟合概率(PBO),对过拟合程度进行定量分析。PBO 概率定义为:样本内最优参数在样本外的夏普比率排名位于后一半的概率。理论上,“训练集”夏普比率最高的参数n*,在“测试集”的夏普比率表现至少应排名前一半,如果n*的测试集夏普比率排名在后一半的概率高于50%,则很可能属于回测过拟合。PBO指标越低,意味着过拟合的风险越低。
为指标匹配最优参数的同时,我们也对同时间段内的择时标的即上证指数自身进行类似的处理,寻找最优策略,通过对比择时指标(即上证指数)和上证自身的回测结果,可以直观考察该指标对择时能否提供助力。例如,对于“融资买入额”这一指标,经筛选,最优参数组合为“diff_ma1_aberration策略”,即融资买入额原始数据取一阶差分后、不需平滑处理、使用aberration策略发出多空信号;同时间段内,经筛选,上证指数的最优参数组合为“diff_ma5_RSI策略”,即上证指数收盘价原始数据取一阶差分、5日移动平均后、使用RSI策略发出多空信号。基于融资买入额构建的最优策略夏普比为1.08,高于同时间段内基于上证指数构建的最优策略夏普比0.85,说明该指标的择时效果优于基于指数自身的择时,提供了一定的增量信息。
择时回测结果及分析
下文展示指标回测结果。实证检验发现,换手率、成交量等表征全市场交易热度类指标以及基于资产强弱势状态构建的市场涨跌类指标,大多与市场走势同步,是投资者情绪的良好表征而不具备显著的择时能力。融资融券行为、期货、期权市场跨期交易数据反映投资者对后市的预期,指标走势中蕴含投资者观点,具备一定的增量信息,在牛熊切换的拐点领先于市场,基于这类指标构建的策略往往好于基于市场指数自身构建的择时策略。
后市预期类指标回测结果
各指标最适用的数据预处理方式和择时策略如下,有效择时指标加粗标出。
融资融券类指标
融资余额最优策略为diff_ma20_分位数反转, 择时效果不及标的自身,故不作展开分析(净值图蓝色半透明区域代表该时点持仓情况,蓝色代表该时点买入或持有指数,白色代表该时点空仓,下同)。
融资买入额的最优参数为diff_ma1_aberration策略,即融资买入额取一阶差分,捕捉投资者情绪的边际变化,我们将其平滑后展示。该指标交易次数多、持仓时间短,2015年牛市及时离场,此后在2019年1季度和2020年7月捕捉到大幅上涨机会,其他时间净值变化缓慢,整体波动率较低,只有当市场融资情绪很强时才会发出买入信号,但这也恰好契合了我们研究情绪面的初衷。指标行为背后是投资者心态的体现,这说明融资买入者可能在牛市初期和顶部区域均较为谨慎,而仅在上涨行情的中间阶段有加速买入行为。虽然该指标PBO值略高,但结合指标走势和经济学意义,仍有一定的观测价值。
融券余额和融券卖出额从逻辑上应与大盘走势反向,但从其走势来看,在主要行情附近与指数走势大体同向,逻辑不清晰;融券余额的择时效果不及基于上证自身的最优策略,不作详细分析。
融券卖出额最优策略为diff_ma60_Aberration策略,在2015年牛市顶部附近及时发出离场信号,此后与融资买入额类似,仅在2019年1季度和2020年7月的大涨行情中有较长时间的持仓。整体平均持仓时间短,波动低,但融券行为受政策限制较强,且过拟合概率较高(PBO值高于60%),逻辑不清晰,故不推荐使用融券类指标进行择时。
期货市场指标
IC00和IF00年化基差率的最优策略均为raw_ma1_Aberration策略。两个基差指标走势和发出信号的时间点都类似,总持仓时间和平均持仓时间均较短,策略收益低,波动更低只有5%左右,大部分时间空仓,博取短期收益。分析指标逻辑,这里我们采用当月合约,体现投资者对后市短期观点(一个月以内),该策略只有在期现基差明显上升时才会发出开仓信号,基差收敛则快速离场,即,期货市场的投资者对后市的短期观点呈很明显的乐观态度时,该策略才会买入。虽然机会少,但这部分收益确定性较强,也说明期货市场的投资者行为确实是对短期市场情绪的良好刻画。该指标择时策略夏普较高,且过拟合概率低,是良好的短期择时指标。
期权市场指标
50ETF持仓量PCR最优策略为raw_ma20_同比动量策略,夏普高于同时间段内标的自身最优策略,且过拟合风险较低,有一定的择时价值。
50ETF成交量认购认沽比最优策略为diff_ma60_连续涨跌天数策略,夏普高于同时间段内标的自身最优策略,且过拟合风险较低,有一定的择时价值。相比成交量PCR,该指标的逻辑更为清晰,择时意义更为明显。这一组指标推荐同时跟踪观测。
量价数据类指标回测结果
全市场交易热度
成交量指标最优策略为diff_ma60_Aberration策略,即取一阶差分后,60日平滑,采用Aberration策略择时。处理后数据和择时策略净值如下图:整体来看该指标相比上证同时间段内自身最优策略择时结果,夏普提升不足0.1,择时效果不明显。
换手率与成交量类似,相比上证同时间段内自身最优策略择时结果,夏普提升不足0.1,择时效果不明显。如上文介绍指标时所分析,全市场交易热度类指标是市场同步信号,难以提供增量信息,仅适用于同步观测。
个股涨跌类指标
个股指标回测结果如下表所示。个股采用从2000年开始的量价数据,由于构建指标参数涉及三年新高,数据平滑处理时,最长需要240日平滑,同比动量策略需要1年窗口,故损失约5年的数据,回测从2005年开始。相比同时间段内基于上证指数自身的最优策略的夏普比略有改进。进一步考察个股类指标以最优处理方案平滑后的走势,发现平滑后数据与上证指数的走势高度相关,基本同步,有一定择时效果,但更适合作为市场情绪观测指标。
个股类指标中,上涨下跌成交额占比差表现最好,以该指标为代表分析:其最优数据处理方式为raw_ma240,最优策略为钱德动量指标CMO策略,回测区间净值表现如下。该指标在2007年、2015年两轮牛市附近表现较好,抓住上涨机会且及时离场,其他时间表现一般。
行业涨跌类指标
行业指标回测结果如下表所示。类似的,采用中信一级行业从2005年开始的量价数据,指标构建和回测最长需要共计5年的窗口,故回测从2010年开始。大部分指标最优策略夏普超过同时间段内基于上证指数自身的最优策略的夏普,有一定择时效果。进一步考察这类指标以最优处理方案平滑后的走势,发现平滑后数据与上证指数的走势高度相关,基本同步,同样适合作为市场情绪观测指标。
行业最优指标为新高新低成交额占比差(1个月),以此为例进行分析,指标的最优数据处理方式为raw_ma180,最优策略为DMA策略,回测区间净值表现如下。该指标走势与上证指数同步,但波动比上证自身更为剧烈,在一定程度上“放大”了市场波动,虽然在牛市顶部未能左侧离场,但对市场情绪的展示作用突出。
小结
本文通过实证检验发现:1:基于股票市场量价数据构建的情绪指标往往与市场走势同步,可作为投资者情绪的度量,而不具备明显的提前预判效果。其中,基于个股和一级行业涨跌构建的指标虽与市场同步,但对市场变动敏感,是良好的市场情绪“温度计”。2:基于衍生品市场及两融交易等跨期交易数据构建的指标,往往蕴含投资者的后市预期,对市场走势有一定的预判作用,其中,融资买入额择时效果较好;股指期货基差对短期择时效果最佳,上证50ETF期权认购认沽比也有一定效果。
风险提示
本报告对历史数据进行梳理总结,不构成任何投资建议。根据历史数据的规律总结,存在失效的可能,历史结果不能简单预测未来。
免责声明与评级说明
公众平台免责申明
本公众号不是华泰证券股份有限公司(以下简称“华泰证券”)研究报告的发布平台,本公众号仅供华泰证券中国内陆研究咨询服务客户参考使用。其他任何读者在订阅本公众号前,请自行评估接收相关推送内容的适当性,且若使用本公众号所载内容,务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点,完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容,可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容,请具体参见华泰证券所发布的完整报告。
本公众号内容基于华泰证券认为可靠的信息编制,但华泰证券对该等信息的准确性、完整性及时效性不作任何保证,也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期,华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下,本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断,应自主做出投资决策并自行承担投资风险。订阅者若使用本资料,有可能会因缺乏解读服务而对内容产生理解上的歧义,进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果,华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券所有,未经华泰证券书面许可,任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失,华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的“证券投资咨询”业务资格,经营许可证编号为:91320000704041011J。
林晓明
执业证书编号:S0570516010001
华泰金工深度报告一览
金融周期系列研究(资产配置)
【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生,顾短也兼长20200121
【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日,大周期赢未来20200116
【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法
【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增,待趋势明朗把握或更大20191022
【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点?——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗?——20190506
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(下)
【华泰金工林晓明团队】二十载昔日重现,三四年周期轮回——2019年中国与全球市场量化资产配置年度观点(上)
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告(上)
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(四)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(三)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(二)——华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型(一)——华泰金工周期系列研究
【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索
【华泰金工林晓明团队】金融经济系统周期的确定(下)——华泰金工周期系列研究
【华泰金工林晓明团队】金融经济系统周期的确定(上)——华泰金工周期系列研究
【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列
【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探
周期起源
【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一
FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一
因子周期(因子择时)
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用
中观基本面轮动
【华泰金工林晓明团队】行业配置落地:指数增强篇——华泰中观基本面轮动系列之十
【华泰金工林晓明团队】行业全景画像:投入产出表视角——华泰中观基本面轮动系列之五
【华泰金工林晓明团队】行业全景画像:改进杜邦拆解视角——华泰中观基本面轮动系列之四
行业轮动
【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十
【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八
【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一
Smartbeta
【华泰金工林晓明团队】重剑无锋:低波动 Smart Beta——华泰 Smart Beta 系列之四
【华泰金工林晓明团队】投资优质股票:红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取:价值和成长Smart Beta——华泰Smart Beta系列之二
【华泰金工林晓明团队】Smart Beta:乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一
多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三
【华泰金工林晓明团队】桑土之防:结构化多因子风险模型——华泰多因子系列之十二
【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八
【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六
【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二
【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二
人工智能
【华泰金工林晓明团队】WGAN生成:从单资产到多资产——华泰人工智能系列之三十八
【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七
【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六
【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五
【华泰金工林晓明团队】再探AlphaNet:结构和特征优化——华泰人工智能系列之三十四
【华泰金工林晓明团队】数据模式探索:无监督学习案例——华泰人工智能系列之三十三
【华泰金工林晓明团队】AlphaNet:因子挖掘神经网络——华泰人工智能系列之三十二
【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一
【华泰金工林晓明团队】从关联到逻辑:因果推断初探——华泰人工智能系列之三十
【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九
【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五
【华泰金工林晓明团队】投石问路:技术分析可靠否?——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然:机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然:重采样技术检验过拟合——华泰人工智能系列之十九
【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八
【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五
【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三
【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一
【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九
【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七
【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六
【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三
【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二
指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证
基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究
基金定投
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
基金评价
【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法
【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力
【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金
ETF季度盘点
【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高,行业主题类ETF渐成市场新主角20210112
【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟,规模创新高20201021
【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803
【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点
其它
联系客服