本报告基于互联网舆情数据,构建舆情因子并结合Black-Litterman模型,提升大类资产配置的预期收益预测能力。通过舆情搜索指数体现投资者关注度变化,分析其对不同资产类别收益率的影响,回测结果显示基于舆情的模型显著优于等权配置,具备较强的收益稳定性和风险控制效果,为资产配置提供创新视角与方法.
| 因子分类 | 因子指标 | 因子描述 |
|---|---|---|
| 舆情因子 | 近1月/2月/3月舆情值 | 相应时间周期内每日舆情值总和,反映关注度累计量。 |
| 舆情因子 | 近1月/2月/3月舆情值波动率 | 描述舆情值波动幅度,反映关注度变化程度。 |
| 舆情因子 | 近1月/2月/3月舆情值增长率 | 舆情值的环比变化率,反映关注度变化趋势。 |
| 动量因子 | 近1月/2月/3月舆情值加权日均收益率 | 舆情值加权计算的日收益率均值,结合舆情对资产收益影响的体现。 |
| 传统因子 | 对数市值、近1-3月收益率及波动率 | 作为补充,用于提高因子体系的完整性。 |
报告标题: 基于舆情的大类资产配置
发布机构: 广发证券发展研究中心
报告日期: 2017年6月4日
主题: 本报告聚焦于将互联网舆情数据应用于大类资产配置,试图提升传统资产配置模型(如Black-Litterman模型)的预测准确度和科学性。通过分析投资者情绪(以舆情指数表现)对资产价格变动的影响,探索资产收益率的预测及配置优化途径。
报告核心观点在于引入大数据时代的互联网舆情指标(以百度指数为代表),作为投资者主观观点的补充,以改善传统基于主观投资者观点的Black-Litterman资产配置模型,最终达成更优的资产配置效果。报告采用贝叶斯框架结合舆情因子测试,提出模型改进方案,并进行实证回测验证。总体上,作者想表达的是通过“群体智慧”信息能提升资产配置的科学性和回报水平。
核心论点: 当今大数据时代涌现各种网络可获取数据,如浏览、点击、搜索、留言等碎片数据,这些数据综合能为投资领域提供新的信息来源。互联网舆情数据即代表公众对某一个关键词关注度的变化,体现市场投资者情绪的风向标。
逻辑与证据: 作者指出传统新闻、自媒体及网络社交互动均产生大量碎片数据,尤其搜索引擎(百度)的用户行为产生的指数数据,可作为关注度热度指标。百度指数是以用户搜索量为基础的指标,反映某话题一段时间内的热度。
数据支撑: 该部分引用百度指数示例图表,具体展现某关键词每日及月度的搜索热度波动和同比环比变化趋势,展示其动态变化特征,代表数据来源的有效性。,4]
关键观点: 市场中,投资者并非完全理性,容易出现非理性行为如追涨杀跌、羊群效应,这些可以从行为金融学角度解释。互联网舆情指数可以看做投资者情绪的“直接代理变量(direct proxy)”,即代表市场关注热点变化的情况。通过研判舆情因子的变化趋势,能够预测资产收益率的变化。
推理过程:
数据采集范围:
月度舆情值与行情对比:
Black-Litterman模型简述:
该模型基于贝叶斯框架,结合市场的先验均衡收益和投资者的主观观点,推导后验收益期望,用以资产配置优化。
公式方面,后验收益期望的计算综合了风险厌恶系数、定价协方差、投资观点矩阵及其不确定度。通过求解二次规划,实现风险-收益平衡下的最优权重。
模型局限:
改进方案:
相关流程:
因子设计分类: 分为三大类
数据处理:
采用去极值与标准化处理确保不同量纲因子可比较。去极值以2.5倍标准差为界限;标准化转化为均值为0,方差为1的序列。
测试方法:
测试结果亮点:
结果表明舆情因子对预测不同资产收益率存在较强区分度和有效性。
回测设计:
回测结果:
图表形象反映了结果优异性和实际操作方案的合理性。
本报告未涉及单个资产或公司的估值,核心在于资产配置比例的优化,主要依托Black-Litterman模型中的收益预期与风险协方差矩阵进行组合优化。模型输入主要为资产历史收益协方差和以舆情数据改进得到的预期收益率,应用二次规划求解最优权重,故无传统个股估值分析。
报告风险提示部分指出,所有模型建立均基于历史数据及合理假设,不能完全准确反映未来现实环境,尤其投资者观点本身可能存在偏差,且舆情数据的变化未来可能异于历史规律。
强调数据时序特性和模型假设限制导致结果具备一定不确定性,模型输出不应机械使用,投资者需结合自身实际情况和风险承受能力。
此外,报告声明内容只供参考,非具体投资建议,使用风险由投资者自行承担。
报告较为系统地融合舆情因子与传统资产配置模型,创新之处在于引入「群体智慧」以辅助或替代投资者主观观点,是当下大数据金融的一个趋势。然而也存在以下潜在不足:
通过大数据舆情的引入,本报告为传统资产配置模型Black-Litterman提供了一套创新、可操作的改进方法。基于多种舆情因子的构建与严格的统计测试,对7类代表性资产分开建立回归模型,为BL模型提供了更准确的预期收益输入。实证回测显示该方法在样本期间整体战略表现优于均等配置方案,年化收益率中位于较高水平,波动率和最大回撤控制合理,风险调整后收益显著。
报告展示了舆情搜索指数作为群体智慧的有效指标,能够捕捉市场情绪并转化为收益预测信号。特别是在权益类资产上,舆情因子与收益间存在稳定的相关性。而在债券及商品类资产则呈现更为复杂的非线性关系,指向了资产特性与投资者行为之间的差异。此类新兴方法为提高资产配置策略的科学性提供了重要思路。
虽然存在数据样本有限、模型假设和实际约束未完全覆盖等不足,且未来市场环境不可预测,整体而言本报告贡献了互联网舆情数据在大类资产配置领域应用的宝贵探索,为后续结合深度学习和文本分析挖掘更丰富的市场情绪信号奠定了基础,具有积极的理论价值和实际参考意义。
以上详尽分析秉持客观严谨,基于报告原文内容,不添加主观评论或与报告内容不符的判断。
金融工程:基于舆情的大类资产配置.pdf