基于历史状态空间相似性匹配的行业配置SMIA模型.pdfVIP

Table_Top Table_Header1 证券研究报告_量化投资专题 Table_AuthorTemp 证券研究报告_XX 报告 2012 年10 月08 日 16404 2011 年6 月14 日 Table_Title 基于历史状态空间相似性匹配的行业配置SMIA 模型 16676 ——相似性匹配量化模型研究之二 Table_Author 安宁宁 资深分析师 电话：0755 Table_Temp eMail：ann@ 执业编号：S0260512020003 Table_Summary 模型基本思想 随机过程可以划分为有记忆性特征和无记忆性特征两种。行业轮动具有记忆性，即当期行业的相对表现会影响下 一期行业的相对表现，这是由行业之间错综复杂的经济关系所决定的。我们通过寻找历史状态空间中与当期行业 收益率排名相似的一些时间点，观察这些时间点之后一期行业轮动的变化特征，从中选取统计上表现较好的行业， 作为当前时间点下一期的推荐超配行业，从而实现相似性匹配行业配置（Similarity Matching Industry Allocation, 缩写为SMIA ）量化模型的构建。 SMIA 量化模型的构建 行业市场排名存在一定的记忆性——每一期行业收益率的排名在一定程度上依赖于上一期的排名，这也正是行业 轮动的外在表现。理论上来说，我们可以从历史上找到一些和当期行业排名相同的样本，观察他们下一期行业轮 动所产生的变化，然后从统计上找到下一期表现持续较好的一些行业进行超配，并回避一些表现持续较差的行业。 但是在实际操作中遇到的问题是，由于A 股市场成立时间相对较短，对于很多的行业划分来看，不可能在历史上 找到足够多的和当期行业收益率具有一致排名的样本。因此，我们只能在有限的历史状态空间中寻找和当前行业 排名状态最为相似的几个状态。我们通过序列之间的距离来寻找最相似的历史相对排名，即通过求解当前序列与 历史状态空间中序列两两之间的距离，并且经过简单的排序，就可以找到历史数据库中最为匹配的相似序列。只 寻找一期最相似的行业市场排序容易造成预测结果波动较大、预测风险较高，因此，我们需要在历史上寻找几期 最为相似的排名状态，观察他们之后一期的行业轮动与变化。通过一定的分析，我们采用观察历史相似时点之后 一期排名非常靠前的行业，并对他们取并集的方法进行计算。 SMIA 量化模型在A 股市场中的实证 按照上述SMIA 模型构建思路，我们首先选取申万一级行业指数中除 “综合”以外的22 个行业作为预配置标的， 每月进行一次行业配置预测与推荐。历史状态空间样本从2000 年的开始取起，样本数据库窗口的截止时间为预 测期的前一期。从实际投资应用的角度，我们采用沪深300 指数作为比较基准，从2006 年开始对SMIA 量化行 业配置模型进行回测。从回测结果来看，SMIA 量化资产配置模型可以在统计上有效筛选出相对表现较好的一些 行业。在2005 年 12 月30 日至2012 年7 月31 日的80 次预测中，有54 次预测正确（我们将推荐行业组合平 均收益率超过沪深300 指数基准收益率定义为正确），26 次失败，预测正确率达到67.5%；并且在绝对值上，盈 利平均超额收益率略高于亏损平均超额收益率。从统计上来看，牛市中的预测效果要好于熊市中的预测效果。不 过2012 年以来的7 次预测中，仍然有5 次正确。 Table_FooterContact 广发证券公司或其关