立体化捕捉市场动态特征：“股价行为”选股

证券研究报告/金融工程报告2022年07月29日 “股价行为”选股——立体化捕捉市场动态特征 分析师：包赞 电话：18017505196 执业证书编号：S0740522070001Email：baozan01@zts.com.cn 沪深300内回测（黄线为多头，淡蓝色沪深300，深蓝为对冲） 报告摘要 ◆动态捕捉市场变化 A股市场迭代进化速度越来越快，唯变为不变是永恒真理。从股价走势行为角度来看，价格时而短期动量，时而短期反转，有时又是长期反转效应占优，动量和反转效应交替迭代不好把握。即便知道动量占优，具体什么期限的动量在目前起作用也是时变的。所以，在市场快速变化的背景下，我们需要不断跟进市场动态特征，灵活捕捉当前的规律，顺应市场变化才能获得稳健超额收益。 从金融现象中发现规律、总结规律、利用规律，是实证资产定价研究的主要思路，也是金融投资实战中的重要研究方法。本报告主要利用不同期限的股票价格信息，从历史经验中寻找可能获得超额收益的固定模式，试图利用这个规律构建有超额收益的投资组合。 ◆“股价行为”选股模型 模型综合横截面和时间序列维度，并且同时捕获股票价格短期、中期、长期的信息，方法是利用股票T-1日之前不同期限历史价格的累积收益作为解释变量，股票T日的收益率作为被解释变量，做回归获得估计系数，然后线性外推，利用T日的不同期限历史价格的移动平均与估计系数相乘，从而获得未来股票收益率的预测值，最后按照预测值大小排序构建多空组合。预测等式如下： 沪深300内回测（淡蓝为多头，黄色空头，红色为多-空） r=b +åbA +, j=1,,n j,t 0,ti,tjt-1,Lii j,t i 其中，A表示股票j在t-1日滞后L区间的价格行为信号。 jt-1,Li 风险提示：模型仅根据历史数据获得的历史经验，应用在未来可能产生风险。 ◆回测结论 利用20170522-20220519五年内的沪深300成分股价格数据，半个月调仓 （10个交易日），模型多头年化收益24.76%，多空组合年化收益为30.65%，同期沪深300年化收益为3.41%。扣除手续费后多头组合年化收益为20.05%。 组合 累积收益 年化收益 夏普 年化波动率 沪深300 17.50% 3.40% 0.17 20.09% 多头 190.35% 24.76% 1.06 23.32% 多头—沪深300 147.76% 20.72% 1.82 11.38% 多头—空头 262.51% 30.65% 1.58 19.38% 表：策略回测业绩表现（半个月调仓20170522-20220519） 正文目录 1.引言3 2.“股价行为”的直观感觉4 3.“股价行为”选股模型7 4.模型计算8 4.1Fama-MacBeth9 4.2参数确定9 5.案例——沪深300增强10 6.附录——历史价格预测未来价格的理论基础11 图表目录 图1:不同时间点沪深300成分股价格的横截面关系（蓝色为前一个时间点）3 图2：某新能源汽车股票4 图3：某医疗健康板块股票5 图4：沪深300内选股回测与沪深300指数对比（半个月调仓）10 图5：沪深300内选股回测多头与空头对比（半个月调仓）11 1.引言 A股市场迭代进化速度越来越快，唯变为不变是永恒真理。从股价走势行为角度来看，价格时而短期动量，时而短期反转，有时又是长期反转效应占优，动量和反转效应交替迭代不好把握。即便知道动量占优，具体什么期限的动量在目前起作用也是时变的。所以，在市场快速变化的背景下，我们需要不断跟进市场动态特征，灵活捕捉当前的规律，顺应市场变化才能获得稳健超额收益。 任何股票市场都有其内生规律，而且这个规律不是一尘不变的。下图展示的是沪深300成分股横截面收益率 与过去不同期限间收益之间的关系。�一个图蓝色展示的是2022年7月11日，沪深300成分股的收益率与过去 1-3、5-8等区间累计收益的回归系数，最上面的蓝色线在0.2左右，表明07月11日的收益与过去1-3交易日之间的收益呈现正相关关系；�一个图最下面的蓝色线是-0.5左右，表明和过去5-50区间的收益呈现负相关，且负相关程度较大，表明前期反弹较多的股票，更倾向于在这一天下跌。 图1:不同时间点沪深300成分股价格的横截面关系（蓝色为前一个时间点） 20220711vs2022071220220427vs20220428 20220428vs2022071220210428vs20220428 资料来源：中泰证券研究所 上图中，�一行分别展示的是两个相邻时点的价格和过去收益的关系，�二行展示的是不相邻时点的系数对比。从上下两行图可以看出来，相邻时点的收益和过去收益的关系大致相似，也就是蓝色线和黄色线靠的比较近，不相邻时点的蓝色线和黄色线离得比较远。上面一行图给予我们重要发现：短期内，当前价格和过去价格的规律相对确定，不会瞬间突变，我们可以利用过去较短时间内的价格规律，来预测未来价格走势，挖掘出相对强势的股票。 在学术界，利用当前价格和过去不同期限间收益的关系来预测未来股价的研究有很多，比较著名且实战性较强的就是2016年HanY,ZhouG基于股票收盘价不同期限的移动平均刻画了趋势因子，并在美国股市上获得了稳健的超额收益。2020年LiuY,ZhouG,ZhuY.基于HanY,ZhouG的趋势因子，引入股票成交量信息，并对Fama-MacBeth回归进行改进，提出了中国版的趋势因子模型。本文与之前的趋势因子研究不同，趋势因子利用月度数据，着重点在于利用不同期限的趋势信号来构造趋势因子，本质上是发现一种综合动量和反转因素的因子。本文采用日频的数据来进行规律发现，目的在于动态捕捉市场的变化特征，着重点在于考察当前的市场结构，从价格盘面规律来构造组合，由于不同时间区间的规律一直在变，所以本文的操作框架也可以偏向于的主动投资，结合走势规律进行主动选股，属于带有主观的高阶版技术分析。当然，为了证明这个体系有效，本文采用的是比较严格的静态参数来回测，实战操作中，该框架可以更灵活，收益也会更高。 2.“股价行为”的直观感觉 从金融现象中发现规律、总结规律、利用规律，是实证资产定价研究的主要思路，也是金融投资实战中的重要研究方法。本文主要利用不同期限的股票价格信息，从历史经验中寻找可能获得超额收益的固定模式，试图利用这个规律构建有超额收益的投资组合。由于本文只利用到了价格信息，从价格信息中寻找规律，所以，本文的方法也属于技术分析范畴，鉴于用到了不同期限的价格信息，而且时间序列和横截面维度都有考虑，我们暂时把这个方法叫做“立体化的技术分析”，立体的X轴是时间，Y轴是价格横截面，Z轴是不同的期限。 下面展示的是两个板块股票的K线图，两个图可以清晰的看出，虽然走势相关，但是反弹的幅度有显著差异，这就说明价格截面走势虽然共享反弹的大规律，但是由于各自过往价格特征不同，走势也不同，这种现象的刻画，横截面回归可以适用。 图2：某新能源汽车股票 资料来源：中泰证券研究所 图3：某医疗健康板块股票 资料来源：中泰证券研究所 表1：不同时间价格与历史价格的关系 20220425 20220428 20220516 20220518 (Intercept)0.00 0.00 0.00 0.00 (0.00) (0.00) (0.00) (0.00) T-（1-3）0.25*** 0.32*** -0.20** -0.11* (4.02) (5.33) (-3.09) (-1.97) T-（5-8）-0.02 -0.23* -0.03 0.17 (-0.22) (-2.34) (-0.29) (1.93) T-（10-20）0.08 -0.10 0.10 0.03 (0.60) (-0.61) (0.59) (0.27) T-（20-50）0.01 -0.85*** -0.07 -0.00 (0.05) (-3.82) (-0.24) (-0.02) T-（3-20）0.23 -0.55** -0.22 0.03 (1.42) (-3.03) (-1.19) (0.18) T-（5-50）0.14 1.04*** 0.18 -0.30 (0.57) (4.13) (0.61) (-1.33) N296 296 295 295 R20.29 0.13 0.10 0.16 ***p<0.001;**p<0.01;*p<0.05.资料来源：中泰证券研究所 从上表可以看出，不同时间点市场的结构是大不相同的，4月25号是市场大幅下跌的末期，价格行为是短期动量占优，意味着前面跌幅较大的股票未来会继续下跌。4月28号是反弹初期，短期动量和过去20到50交易日 的反转效应都很显著，意味着27号反弹幅度大的股票会继续反弹，过去20到50交易日下跌多的股票反弹幅度 更大。5月16号和17号，市场进入反弹中期，市场呈现出小幅度的短期反转，但是系数较小说明反转效应不强，其余各个期限的系数都不显著，表明市场当前没有明确的方向，可能延续之前走势。 Schwert(2003)在对股票价格波动等异象的研究时发现，股市中的动量异象是最持久、最强劲的异像之一。这也就是说，股票的价格与其收益率之间存在着较为显著、持久的关系。实际上，自1952年马克维茨研究投资组合选择时提出了有效边界、风险回报的概念，并根据该理论建立了均值－方差模型以来，资产定价模型开始大量涌现，不断推陈出新。从20世纪60年代的资本资产定价模型(CAPM)(Lintner,1965)，到随后的套利定价理论(APT)、资产定价模型与流动性因素(PastorandStambaugh,2003)，以及最近Fama提出的五因子模型(FamaandFrench,2015)，我们在研究上述模型时可以发现模型在解释资产收益率时所需考虑的因子越来越多，使得模型越来越复杂，但是其依然无法用来解释三种主要的股票价格（短期、中期、长期）模式。那为什么会这样呢？其实这三种模式主要取决于投资期限：短期反转（每日、每周和每月的水平）Lehmann(l990)andJegadeesh(1990),动量效应(6-12月价格延续）JegadeeshandTitman(1993),以及长期反转效应(3-5年逆转）DeBondtandThaler(1985)，然而现有研究的重点很多是从一种投资水平上分别对三种价格模式进行单一分析，而这种单一分析模式必然导致了因子模型的预测性可能不显著，所以这就启发了我们一个对股票价格的研究思路，我们可以把三种投资期限的所有价格信息综合在一起来对股票收益率进行解释。 想要构造股价行为模型，首先要思考什么力量促成了股票市场短期规律的形成。Cespa，Vives(2012)指出流动性交易者的存在和资产偿付不确定性会对市场趋势产生影响。从直觉上看，套期保值需求需要时间，由于市场的流动性有限。被对冲的风险越大，风险也就越大，流动性的需求也就越大，因此价格趋势规律的持久性就越大。另外，股票价格可能会在利好信息的影响下稳步上升。历史价格会对市场起到促进作用，也可能会产生反转效应。从行为金融学的角度来看，投资者对信息的反应不足或过度都会诱发价格变动。总的来说，信息影响交易者行为，交易者行为促成了股票市场趋势。而交易者这种行为会直接体现在历史价格上，因此使用历史价格预测股票未来收益率有逻辑支撑。 我们使用每日收盘价信息构造趋势因子来比较横截面上股票价格走势。通常情况下，受交易者行为的影响，股票的价格会呈现出很强的趋势效应，为了捕捉到这种效应，我们采用了最主流的技术分析手段：移动平均方法，将该技术应用在横截面数据中。以不同滞后阶数的移动平均横截面数据为解释变量，采用面板回归模型，获得各解释变量对未来股票价格的解释程度，进而可以实现股票价格预测。最后以预测价格作为因子，采用多因子模型常用的研究手段，将因子值排名靠前的股票做多，排名靠后的做空，计算多头，空头，多空对冲组合下的年化收益率。