金工金工金研 量化研究2012830總編：高道SAC總編：高道SAC：:金融工程高級(jí)分析SAC：：丁魯SAC：：：：馮佳：：楊：：：“他山之石”這份雙，就是基于這種研究思路展開(kāi)的。由金融工程部和基金的分析師挑選海外新穎獨(dú)特的研究成果，進(jìn)行學(xué)結(jié)，整理出本期登了8名分析師推薦的文章。投資者情緒是造成價(jià)格高估和低估市場(chǎng)數(shù)據(jù)大多都存在兩個(gè)特點(diǎn)：從常態(tài)分布且不能通過(guò)實(shí)驗(yàn)增加樣多，但我們往往更關(guān)心狀態(tài)。馮佳睿推薦的《中心趨勢(shì)之外——分位數(shù)回歸Bayes方法是將個(gè)人經(jīng)驗(yàn)與客觀(guān)數(shù)據(jù)相結(jié)合的一個(gè)強(qiáng)有力的方法，因此在證Bayeslogistic回歸，MCMC算法來(lái)實(shí)投資因其透明、成本優(yōu)勢(shì)，在投資市場(chǎng)份額越來(lái)越大。投資需要價(jià)格指數(shù)，因此指數(shù)編制方法創(chuàng)新也層出不窮，特別是非市值方法。張欣H股上的實(shí)證》一文中提出了一種序方法是一種較 決策樹(shù)分類(lèi)方法也很有其特點(diǎn)，楊勇推薦的《基于CART和Logistic雙驅(qū)動(dòng)的多 另外，丁魯明、和分別推薦了《資產(chǎn)投資配置悖論的新理論——論》和《從承銷(xiāo)商損失函數(shù)出發(fā)，分析新股價(jià)與上市價(jià)間的關(guān)系》也是不 ： alpha因子貢其中：ESS（事件情緒分?jǐn)?shù)）501，在其它情況下取值0；ESS（事件情緒分?jǐn)?shù)）501，在其它情況下取值0。RavenPack設(shè)計(jì)的算法對(duì)各種事件公司產(chǎn)生了正向影響，值越大向影響越大，如果該值小于50則意味著產(chǎn)生了負(fù)的影響。利用RavenPack算法，可以為每一個(gè)事件分配一個(gè)情緒分?jǐn)?shù)。比如：利用其中：表示行業(yè)it日的超額收益，表示t日的市場(chǎng)收益（參考文獻(xiàn)中賬面市值因子、動(dòng)量因子的日收益率，為RavenPack市場(chǎng)情緒指數(shù)（構(gòu)建方法類(lèi)似于行業(yè)情緒指數(shù)）在t日的變化值，為行業(yè)i在t日的RavenPack變化值）的系數(shù)的絕對(duì)值，即。資料來(lái)源：海月的效應(yīng)，從2001年8月到2012年3月，通過(guò)最敏感的行業(yè)和最不敏感的行業(yè)資料來(lái)源：海資料來(lái)源：海資料來(lái)源：海最后我們?cè)倏纯词畟€(gè)行業(yè)ETF對(duì)市場(chǎng)情緒敏感度的排序情況，石油天然氣有28.1%20.3%的比例往往對(duì)市場(chǎng)情緒過(guò)度反圖圖3 文章來(lái)源：ChrisGowlland,ZhijieXiao,QiZeng,TheJournalofportfoliomanagement,p106-p119乘(OLS)在把握數(shù)據(jù)的中心趨勢(shì)時(shí)顯得非常有效。但是，倘若想要研究接近總體值的那部分群體的表現(xiàn)時(shí)，OLS就并不那么有效了。而在對(duì)資產(chǎn)收益率和風(fēng)險(xiǎn)的研究中，尾部數(shù)據(jù)的行為往往比中間部分更加具有。此外，如果數(shù)據(jù)來(lái)自于正態(tài)總體，那n分位KoenkerBassett1978年提出OLS的一種替代方法逐漸nmin(yi(xi,Rp由上式可知，OLS是最小化n個(gè)獨(dú)立的隨 量yi與其期望值(xi,)之間差的平方和。求解后可得yi基于自變量xi的條件期望的估計(jì)， 和的估計(jì)決定。趨勢(shì)，主要關(guān)注數(shù)據(jù)和其均值的偏離。而分位數(shù)回歸關(guān)心的則是分位數(shù)，重點(diǎn)研究理論分位數(shù)，記為，上下數(shù)據(jù)的行為。第二，OLS的目標(biāo)是最小化數(shù)據(jù)和均值偏離的平方和，而分位數(shù)回歸則尋找使得數(shù)據(jù)與之間絕對(duì)偏離之和最小的估計(jì)。因此，R

(yi(xi,iu)u(Iu0))xt期一個(gè)k1維的自變量，它包含了可以 n?()argmin(rt1'xt的分位數(shù)基于自變量個(gè)分布函數(shù)的估計(jì)，而不像OLS那樣僅估計(jì)rt1)的均值。如前文所述，OLS估計(jì)對(duì)數(shù)據(jù)集的非正態(tài)誤差較為敏感，極易受到異常點(diǎn)的影響。位數(shù)之間的絕對(duì)誤差，因而更加穩(wěn)健，對(duì)異常點(diǎn)、值、異方差性、刪失或截?cái)鄶?shù)據(jù)最常用的用來(lái)評(píng)價(jià)因子有效性的方法就是基于回歸的各類(lèi)分析，而分位數(shù)回歸深為研究對(duì)象，對(duì)一個(gè)常用的因子——PB的效應(yīng)進(jìn)行。大量的學(xué)者和投資都發(fā)現(xiàn)，長(zhǎng)期來(lái)看估值指標(biāo)PB和收益率呈現(xiàn)負(fù)相關(guān)性。換收益率為因變量，3月的PB值為自變量，進(jìn)行OLS回歸以及在不同分位點(diǎn)處的分位數(shù)回歸后得到的系數(shù)估計(jì)和95%的置信區(qū)間。1OLS和分位數(shù)回歸的系數(shù)及95%分位0并無(wú)顯著差異，這表明從中心趨勢(shì)來(lái)看，PB與未來(lái)收益率的相關(guān)性是很弱的。但分位數(shù)回歸的結(jié)果卻提供了更為豐富的信息，總體來(lái)看，隨著分位點(diǎn)的提高，PB的系數(shù)估計(jì)逐漸從負(fù)值變大為正值，而且在收益率的尾部，即分位數(shù)較小和較大處，PB的0PB對(duì)于未來(lái)收益率分布的影響是弱的，但在分布的尾部，PB的取值對(duì)于收益率有著顯著的效應(yīng)。從圖上看，當(dāng)分位點(diǎn)較低(<0.4)時(shí)，PB0PB會(huì)使得低收益群體PB能夠顯另外一些解釋?zhuān)阌诟玫卣J(rèn)識(shí)PB在未來(lái)收益率或者說(shuō)篩選公司時(shí)所起的效應(yīng)。下圖是上文所提數(shù)據(jù)的散點(diǎn)圖以及OLS估計(jì)的直線(xiàn)，此外，還標(biāo)示了10%，50%和90%220113PB4月收益率的散點(diǎn)上圖表明異方差性明顯存在于該數(shù)據(jù)集中，PB較小處收益率的離散程度要顯著地小于PB較大處。分位數(shù)回歸直線(xiàn)很好地揭示了這一特點(diǎn)，10%和90%的估計(jì)直線(xiàn)在低PBPBPB10%分位數(shù)與倘若選擇PB較高處的公司，未來(lái)的收益就顯得不那么確定了，風(fēng)險(xiǎn)也會(huì)隨之變大。文章來(lái)源：RonBird,RichardGerlach,ABayesianModelAveragingApproachtoEnhanceValueInvestment,InternationalJournalofBusinessandEconomics(2006,Vol5)本文屬于多因子選股模型的范疇，作者通過(guò)在一些財(cái)務(wù)因子和年收益率之間建PB篩選出來(lái)的Beneshetal.2000，Piotroski2000等前人的價(jià)值股研究成果，選用資料資料來(lái)源：海log(/(1))z eXe N(0, i,t1 當(dāng)年收益率超過(guò)市場(chǎng)的話(huà)記為yt1，低于市場(chǎng)記為yt0，t為個(gè)股在第t年收益高于市場(chǎng)的概率 P(yt1)，Xt1為個(gè)股對(duì)應(yīng)的前一年的財(cái)務(wù)因子數(shù)據(jù)m為因子的數(shù)量。這里的關(guān)鍵步驟是如何根據(jù)歷史數(shù)據(jù)，篩選出有效的財(cái)務(wù)因子，并據(jù)此未來(lái)一年個(gè)股戰(zhàn)勝大盤(pán)的概率。作者采用的是貝葉斯參數(shù)選擇和平均的JiJi1表示第iJi0表示該因子未入選，原mP(J 1 [k [k1|Y

1|Y, , )

k

z[j J[jGMCMCt和ik對(duì)個(gè)股未來(lái)戰(zhàn)勝大盤(pán)的概率都有一個(gè)值，BayesianModelAveraging的方法即是把這些值按照每個(gè)模型出現(xiàn)的概率進(jìn)行平均，得到一個(gè)后的值。用數(shù)學(xué)P(y1|Y,X)P(y1|X,M |Y,X j25%TOP組合，后25%作為BOT組合；資料來(lái)源：海前者選到的較多且穩(wěn)定，后者的選取的變動(dòng)較大，有些年份可能只選出幾只。兩個(gè)策略組合，不論是按市值還是等值，在美、英、澳三個(gè)市場(chǎng)1，在提高收益率的同時(shí)，組合的波動(dòng)率變化不大。市場(chǎng)上，策略1在1986-2001的16，有12年戰(zhàn)勝市場(chǎng)，勝率75%.資料來(lái)源：海2圖圖3策略1 logistic回歸和貝葉的系數(shù)變化，能讓我們很直觀(guān)的看到各個(gè)因子對(duì)收益率影響隨時(shí)間的變化。該模型在美、英、澳三個(gè)市場(chǎng)的表現(xiàn)優(yōu)秀，很值得我們?cè)谑袌?chǎng)上做類(lèi)似的嘗試。價(jià)值效應(yīng)及在H股上的實(shí)文章來(lái)源：BurtonMalkiel，DerekJunThe“value”effectandthemarketforChinesestocks，EmergingMarketsReview10(2009)227—241歷史上有很多文獻(xiàn)都顯示，大小盤(pán)效應(yīng)在資產(chǎn)定價(jià)中起到了重要的作用。這些研究認(rèn)為這種“風(fēng)格效應(yīng)”存在于新型的指數(shù)與在海易的中國(guó)之中。本文展示了運(yùn)用了組合構(gòu)建中的非參數(shù)方法，試圖尋找這種“風(fēng)格效應(yīng)”中的作用，在Banz(1981)andFamaandFrench(1992)通過(guò)研究發(fā)現(xiàn)了公司大?。ㄍㄟ^(guò)總市值來(lái)衡量）和的回報(bào)有很強(qiáng)的相關(guān)性：小公司的回報(bào)似乎總是高于大公司。這種解釋 由1000個(gè) 組成，通過(guò)凈資產(chǎn)、凈利潤(rùn)來(lái)，其表現(xiàn)在2000-2005年就超過(guò)了標(biāo)普500、羅素1000等用市值的指數(shù)。110002000指數(shù)歷史表現(xiàn)（1980-資料來(lái)源：海權(quán)重，就能提高戰(zhàn)勝市場(chǎng)的概率。圖2展示了利用凈資產(chǎn)來(lái) 圖圖 與市 資料來(lái)源：海事實(shí)上，利用凈資產(chǎn)、凈利潤(rùn)、銷(xiāo)售額來(lái)的方式均能有效戰(zhàn)勝市值的組合，3。凈資產(chǎn)、凈利潤(rùn)、銷(xiāo)售額的最終凈值分別為2.60、2.542.47，而市值組合的最終凈值僅為1.77。圖 資料來(lái)源：海的方法并不涉及到因子具體數(shù)值的絕對(duì)大小，只關(guān)心他們之間的相對(duì)排序，公式中delta是一個(gè)可以供投資者自己輸入的參數(shù)delta=0時(shí)，退化為等權(quán)重，當(dāng)delta數(shù)值比較大時(shí)，靠后的權(quán)重可能為負(fù)，這在實(shí)際投 圖4是市凈率因子按照的方式構(gòu)建的組合與市值組合的歷史表現(xiàn)對(duì)比，很明顯，方法的最終凈值為3.29，較之凈資產(chǎn)2.60的最終凈值有了為了說(shuō)明這種方法的有效性，作者又在恒生指數(shù)上運(yùn)用了這一方法（5），2000-200810.83，而組合同期的凈值由增長(zhǎng)到了1.94。 資料來(lái)源：海PE作為估值指標(biāo)，以標(biāo)500為樣本股，統(tǒng)PE處于20%范圍圖圖6S&P500指數(shù)中落在PE中位數(shù)20%范圍內(nèi) 資料來(lái)源：?；贑ART和Logistic雙驅(qū)動(dòng)的多因子選股模文章來(lái)源：AhybridapproachtocombiningCARTandLogisticregressionforstockMinZhu,DavidPhilpotts,RossSparks,MaxwellJ.StevensonJournalofPorfolioManagement2011,38(1):100-109.CART（決策回歸數(shù)）Logistic模型的優(yōu)點(diǎn)，有利于提升多因子但CART模型也有以下不足：K，可計(jì)算出該集合中個(gè)股跑贏(yíng)市場(chǎng)基準(zhǔn)組合的概率。toprice的等權(quán)平均值）；因子（PROFROE、Cashreturnonequity、Pre-taxmargins以及資產(chǎn)周；償債能力因子（DEBTSERVICEFreecashflowtodebt的平換函數(shù)，的系數(shù)限定為1，為子集K中個(gè)股j的因子取值，為子集K的因logistic模型建模，優(yōu)點(diǎn)是可以充分考慮不p1為模型的收益排序后三分之一個(gè)股等權(quán)重組合的累積收益走勢(shì)，p3為 文章來(lái)源：EnricoDeGiorgiInvestmentManagementandFinancialVolume8,Issue4,Markowitz現(xiàn)代投資組合理論（1952）的思想是以組合的期望為收益、方差為Markowitz風(fēng)險(xiǎn)收益模型方法，但他們的投資理念并不是那Markowitz資產(chǎn)投資配置悖論：事實(shí)上參與者的風(fēng)險(xiǎn)厭,...,K+1RkR=（R1,...,Rk+1，記λ是各資其中， （）（+r）（，（）是投資組合的初始價(jià)格，r即代表著投資者的預(yù)期收益率。接下來(lái)，我們只需要在最小化風(fēng)險(xiǎn)PT-的情況下最大化收益PT+：MaxPT+（X）s.t.PT-這個(gè)部分利用剛剛介紹的模型來(lái)導(dǎo)出最優(yōu)投資組合，即現(xiàn)金、債券、小盤(pán)股實(shí)證分析中，我們假定現(xiàn)金的無(wú)風(fēng)險(xiǎn)資產(chǎn)率為1.0378（T-bill的平均收益率）.我們假定未來(lái)的收益將均勻分布于rt，t=1927，…,2007}，rtt（α=10：RP（X）=（1+r）q（X），將預(yù)期收益率r從3%變動(dòng)到15.5%，我們得到 債券與比例越低，并且大盤(pán)股占總的比例也越低，這和市場(chǎng)是吻合的，從而克服了Markowitz現(xiàn)代投資組合理論產(chǎn)生的悖論。二級(jí)市場(chǎng)大單拋售對(duì)于股價(jià)的影響——替論與股價(jià)壓力理論文章來(lái)源：NyronS.Scholes,Themarketforsecurities:substitutionversuspricepressureandtheeffectsofinformationonshareprices,Thejournalofbusiness,volume45,issue2該公司的供求關(guān)系很有可能會(huì)受到影響，從而影響股價(jià)表現(xiàn)。當(dāng)前市場(chǎng)上關(guān)于這種一種為替論：即市場(chǎng)上出現(xiàn)相對(duì)以往過(guò)多的供應(yīng)量時(shí)，其與當(dāng)前可以投資投資者放棄其他投資品轉(zhuǎn)而來(lái)進(jìn)行該的投資。這種“引誘”措施，一本都體現(xiàn)在價(jià)投資者為什么來(lái)買(mǎi)入該新的大量流通股？只有收益率具有較高預(yù)期的前提下才可能進(jìn)行，這就通過(guò)拋售價(jià)格低于當(dāng)前市價(jià)段實(shí)現(xiàn)。曾經(jīng)有人通過(guò)經(jīng)驗(yàn)總結(jié)：在國(guó)外市場(chǎng)上一般而言10個(gè)百分點(diǎn)的供應(yīng)量提升會(huì)伴隨著5個(gè)百分點(diǎn)股價(jià)的折扣（即5個(gè)點(diǎn)的跌幅），而20個(gè)百分點(diǎn)供應(yīng)量的增多，會(huì)伴隨10-15個(gè)百分點(diǎn)股價(jià)折如果有一家公司的由于大單拋售從而對(duì)股價(jià)進(jìn)行折價(jià)處理，由于其可比公司的股價(jià)范圍，投資者必定會(huì)爭(zhēng)先該公司。因?yàn)橄囝?lèi)似的公司，在市場(chǎng)有效性的前會(huì)吸引投資者選擇這個(gè)品種以獲取其后期的股價(jià)回歸收益。這種空間會(huì)使得折價(jià)現(xiàn)象迅速。故而，替代假設(shè)的支持者認(rèn)為股價(jià)并不需要存在任何折價(jià)的“引誘”措施可能會(huì)影響整體的回歸系數(shù)，即beta。 index畫(huà)：如果投資者在某日買(mǎi)入二級(jí)市場(chǎng)大單拋售的所有標(biāo)的N（買(mǎi)入日為d日持有一D，其組投資者可以獲取的收益，在剝離了市場(chǎng)貢獻(xiàn)后，大致是什么水平？有不到明確關(guān)聯(lián)。其回歸系數(shù)在0.00029數(shù)量級(jí)，對(duì)股價(jià)基本沒(méi)有影響。結(jié)果發(fā)現(xiàn)，投資者在買(mǎi)入之后組合走勢(shì)經(jīng)歷了大約1%的下跌，這個(gè)數(shù)據(jù)是該假設(shè)的有力支撐。投資者如果通過(guò)認(rèn)購(gòu)價(jià)買(mǎi)入，不需要支付中介方1%續(xù)費(fèi)，而一我們采用月度收益對(duì)上述結(jié)論進(jìn)行驗(yàn)證。結(jié)果再一次顯示，量大的拋售其后期相對(duì)于量較小的拋售，并不存在顯著的超額收益。所謂的收益預(yù)期“引誘”與拋售文章來(lái)源：TomBerglund,ThePricingofInitialPublicOffering:AsimpleSeminarinTilburg這篇文章簡(jiǎn)要介紹了一個(gè)IPO定價(jià)模型，解釋了IPO定價(jià)中一些經(jīng)驗(yàn)性的觀(guān)測(cè)。該股價(jià)。在該文章中，IPO合理定價(jià)問(wèn)題被簡(jiǎn)單的歸結(jié)為投資銀行作為中介的一個(gè)損失函IPO市場(chǎng)上：1將要上市的公司。2.IPO3.首先，承銷(xiāo)商成功的取決于一小群資深的投資者申購(gòu)很大一部分的份能”跟風(fēng)”申購(gòu)該份額。其次，如果需要募集的量相比于公司本身?yè)碛械馁Y產(chǎn)量銷(xiāo)商的任務(wù)是給出IPO合理的定價(jià)，可以歸結(jié)為下列目標(biāo)公式：損失函數(shù)。我們認(rèn)為成功時(shí)上市價(jià)格（Pm）大于價(jià)格（P0），而失敗時(shí)上市價(jià)格（Pm）小于價(jià)格（P0。這樣承銷(xiāo)商的定價(jià)問(wèn)題可以歸結(jié)為一個(gè)損失函cs: ，當(dāng)Cf=0,cs=cf時(shí)，價(jià)就會(huì)被選擇在概率分布的中值上；當(dāng)Cf>0時(shí)，最優(yōu) 價(jià)就會(huì)低于概率分布的中值；當(dāng)cs<cf時(shí)，最優(yōu) 布的中值的。對(duì)于大多數(shù)IPO來(lái)說(shuō)，失敗的成本往往會(huì)高于 低估對(duì)于承銷(xiāo)商的損失越小，價(jià)格越高估對(duì)于承銷(xiāo)商的損失越大，價(jià)格越低 性的課題是詳細(xì)區(qū)分不同中介機(jī)構(gòu)、不同人、不同承銷(xiāo)商以及不同合約的IPO 分析師高道德、、丁魯明、：金融工和信息均來(lái)自市場(chǎng)，本人不保證該等信息的準(zhǔn)確性或完整性。分析邏輯基于作者的職業(yè)理解，清晰準(zhǔn)確地反映了作者的研究觀(guān)點(diǎn)，結(jié)論不受任何第的授意或影響，特此。法律海通（以下簡(jiǎn)稱(chēng)“本公司”）的客戶(hù)使用。本公司不會(huì)因接收人收到而視其為客戶(hù)。在任何情況下，會(huì)波動(dòng)。在不同時(shí)期，本公司可發(fā)出與所載資料、意見(jiàn)及推測(cè)不一致的報(bào)告。資目標(biāo)、財(cái)務(wù)狀況或需要?？蛻?hù)應(yīng)考慮中的任何意見(jiàn)或建議是否符合其特定狀況。在法律的情況下，海通及其所屬關(guān)聯(lián)機(jī)構(gòu)可能會(huì)持有報(bào)告中提到的公司所的并進(jìn)行交易，還可能為這些公司提供投資銀行服務(wù)或其他服務(wù)。商標(biāo)、服務(wù)標(biāo)記及標(biāo)記。如欲或本文內(nèi)容，務(wù)必聯(lián)絡(luò)海通并獲得，并需注明