本报告通过对沪深300成分股日频历史价格的多期限移动平均分析,基于Fama-MacBeth回归方法,构建了一种“股价行为”选股模型,灵活捕捉市场动量与反转效应的时变特征,实现短期预测股票未来收益。回测显示该模型在2017年至2022年期间多头组合年化收益达24.76%,多空组合年化收益达30.65%,显著超越基准沪深300指数,说明利用多期限价格行为信号构建的模型具有稳定的超额收益能力。
| 组合 | 累积收益 | 年化收益 | 夏普比率 | 年化波动率 | 最大回撤 | 最长回撤天数 |
|---|---|---|---|---|---|---|
| 沪深300 | 17.50% | 3.40% | 0.17 | 20.09% | -34.84% | 590 |
| 多头 | 190.35% | 24.76% | 1.06 | 23.32% | -24.73% | 325 |
| 多头-沪深300 | 147.76% | 20.72% | 1.82 | 11.38% | -17.09% | 218 |
| 多头-空头 | 262.51% | 30.65% | 1.58 | 19.38% | -25.72% | 245 |
报告核心论点在于A股市场的动态演变本质决定了市场价格效应—短期动量、中期反转和长期反转持续交替转变,导致单期限的动量或反转模型难以长期稳定盈利。为此,作者基于股票不同期限的历史价格形成多维度“股价行为信号”,利用面板回归模型(Fama-MacBeth方法)捕捉时间变化的系数,结合不同期限信号形成股票未来收益的复合预测因子,构建多空组合实现超额收益。
报告通过沪深300成分股5年数据回测显示:
报告开篇强调:中国A股市场迭代快,价格表现存在动量与反转效应交替并存的复杂动态。即便动量被确认存在,具体作用期限时变,迫使投资方法需动态调整。图1显示不同时间点沪深300成分股收益与其过去不同期限收益的横截面回归系数,表现出近期期限收益正相关(动量),长期期限收益负相关(反转),且两个相邻时间点的规律较为相似但相隔时间较远时相差明显,表明市场规律短期较稳定,长期变动明显,投资需顺应最近趋势进行动态调整。
此外,学术背景被提及,Han & Zhou (2016)基于美股月频移动平均趋势因子获得超额收益,Liu et al. (2020)整合成交量构建中国版趋势因子,本文创新在于采用日频数据、结合不同期限的动量和反转,形成一种“立体化技术分析”,捕捉时间序列与横截面结合的动态交易信号,以适应市场快速变化,体现主动投资思路的复杂性,3]。
通过新能源汽车板块(K线图图2)和医疗健康板块(K线图图3)的对比,直观展示了价格走势相关但反弹幅度不同,表明不同股票因历史价格行为不同,走势差异显著,强调需要横截面回归来刻画这种差异性,验证模型针对多股票、多时间维度的有效性。
表1回归结果揭示不同日期市场结构差异显著。例如:
这说明市场价格规律即时变化且走势呈现动量和反转的切换。作者进一步引入资产定价理论,指出传统因子模型(CAPM、APT、Fama-French等)不充分,原因是忽视了组合短期、中期和长期三种价格动态的并存。Schwert (2003)等文献确认动量效应的强度和持久性,这为综合期限的股价行为模型提供理论依据,从行为金融角度解释流动性交易者、市场信息传播不完全以及投资者反应不足或过度激发价格趋势。
总结来说,股价行为模型依据历史价格中的动量及反转信息,结合横截面回归提取因子信号,推出股票收益预测,属于带有主观色彩的“立体化技术分析”,适合主动投资,也验证模型可有较优回测结果,在实际应用中,调仓节奏灵活可进一步提升收益,4,5]。
模型的核心依据为历史不同滞后期限价格的累积收益(区间如1-3天、5-8天等),构成信号矩阵A~t−1,L,其中每个(j,t−1,Li)元素为股票j在t−1时点过去Li区间的累积收益。
第一步,在每个t时点用横截面回归拟合rj,t=β0,t+∑iβi,tA~j,t−1,Li+ϵj,t
即用滞后价格信号解释该时点运行收益,获得一组时间变化的系数βi,t,反映不同期限信号对收益的即时影响。
第二步,借鉴Haugen & Baker (1996),预测t+1收益为滞后信号加权系数的期望乘积的线性组合:
Et[rj,t+1]=∑iEt[βi,t+1]A~j,t,Li
其中期望系数通过过去ΔT期βi,t均值估计。
这样的两步模型实质是用历史期系数均值估计未来系数,结合若干不同期限的价格信号动态预测未来收益率。
区间Li设定为1-3, 5-8, 10-20, 20-50, 3-20, 5-50天的组合,覆盖了短期、中期、长期多空及反转区间,7]。
文中详细介绍Fama-MacBeth回归的适用性:由于面板数据中残差呈跨股票横截面和时间的相关性,传统OLS标准误估计偏误,Fama-MacBeth方法通过时间序列横截面回归两步估计,能有效调整标准误。
参数确定实验利用2017-2022沪深300成分股半年频数据调仓,通过遍历不同历史期系数平均期数(3、6、9期)和持有持仓天数(5天、10天)组合,观测模型年化收益率表现。
结果显示:
以沪深300为样本,选择因子预测值最低10%成分股进行做多,持有10个交易日,半个月调仓。回测结果显示:
展示不同日期沪深300成分股收益与过去不同滞后区间收益的横截面相关系数,横轴为不同滞后区间,纵轴为回归系数。四个子图分别对应相邻及不相邻时间点对比。
两图分别为新能源汽车行业和医疗健康行业样本股K线及对应成交量。
不同时间点Fama-MacBeth回归结果示例,展示不同期限信号在不同日期的系数和t值。
表2呈现不同参数下的分组收益情况,探索了历史窗口长度与持有期对策略表现的影响。
报告主体为量化选股策略及回测,未涉及传统意义上的公司估值分析或目标价设定,因而估值模型如DCF、市盈率倍数法等未涉及。本质为利用统计回归模型构建多期限股价行为因子,基于回归系数及参数估计得到横截面未来收益预测值,进而构建比较优势组合,无明确估值指标。
报告明确指出策略具有历史数据依赖风险,存在以下风险点:
报告提示读者需警惕以上风险,采用过程中结合其他判断,不能唯一依赖该量化策略以规避风险,13]。
总体而言,模型方法逻辑严谨,遵循主流资产定价和计量经济学标准,但依赖历史规律的可延续性,客观存在一定局限,需结合市场环境适时调整。
本报告基于对A股券商沪深300成分股股票历史价格行为的深入研究,提出了一个“股价行为”选股模型。该模型以不同期限的历史价格为信号,通过Fama-MacBeth面板回归方法动态估计每个期限信号对未来单日收益的影响,构建综合动量和反转因子,预测未来阶段股票收益率。
关键发现包括:
回测图表的深度解读进一步印证了多期限价格行为信号的有效性及时间稳定性,短期至长期因子复合构成的预测因子有效实现超额收益,体现市场的复杂现象被成功捕获。
同时,报告明确披露了历史依赖性风险,策略尽管表现优异,但未来市场变化可能导致收益下降,投资者需审慎对待,结合风险管理。
综上,该研究在当前中国股市快速变化的背景下,提出了一种科学合理、实证验证充分的多期限股价行为量化模型,适宜机构投资者用作主动选股工具,具备较强的实际投资应用价值和理论创新点。,2,3,4,5,6,7,8,9,10,11,12,13]
通过本报告,投资者可以深化对中国A股中短期股价行为的认识,利用多期限混合的股价动量与反转特征量化模型,提升投资组合的回报与风险控制能力,适合在快速迭代的A股市场环境下进行动态选股操作。
金融工程报告:“股价行为”选股 立体化捕捉市场动态特征.pdf