因子分析在股票市场中的应用VIP

因子分析在股票市场中的应用 0.前言 因子分析(factor analysis)是一种有效的降维技术，可以看做是主成分分析的推广和发展。与主成分相比，因子分析较为灵活(体现在因子旋转上)，这使得变量在降维后更容易得到解释。这使得因子分析比主成分分析有更广泛的应用的原因之一。 因子分析的目的是，试图用几个潜在的、不可观测的随机变量(称为公共因子)来描述原始变量间的协方差关系。通过解释公共因子来解释对原变量进行解释，并对样本进行分析说明。 现因子分析应用于各个领域，本文主要讨论因子分析在股票市场中的应用。 随着中国金融市场的发展，股票投资在中国已经成为了中国人民投资的一重大组成部分。但是散户投资者大部分侧重于技术分析，一定程度上忽略股票的基本面分析。而股票基本面的信息却又是至关重要用于对公司进行长线分析，把握经济大局。在众多的股票基本面信息中，面对一大堆难以入手的数据又该从何着手，从中获得有效的投资信息。因子分析正好给我们提供了一个很好的分析方法。 本文内容分为两部分，第一部分简要的介绍了因子分析模型、其参数估计、因子得分的理论部分。第二部分就是以深圳100为例运用因子分析分析股票投资价值。 1.因子分析 设有 维可观测的随机向量 ，其均值为 ，协方差矩阵为 。于是因子分析的一般模型为 其中 为公共因子向量， 为特殊因子向量， 称为因子载荷矩阵，通常假定 该假定和模型构成了正交因子模型。 模型中参数 的估计有三种方法，主成分法、主因子法、极大似然法。最后因子关于因子得分也有两种巴特莱(Bartlett,1937)因子得分、汤姆说(Thompson,1951)因子得分。 2实例 选用了深圳100的主要八个基本面信息，分别为总资产、营业利润、营业收入、利润总额、每股收益、每股净资、净益率、总股本。这八个变量分别代表了上市公司的重要信息。我们将上诉指标进行因子分析，最后对股票进行综合评价。 为了便于比较消除观测量纲及数量级的差异造成的影响，先将数据进行标准化处理，即通过公式： 然后再用标准化后的数据进行因子分析。 数据 2.1KMO检验 KMO(Kaiser-Meyer-Olkin)检验是用于测量因子分析模型有效性的统计指标。KMO的统计值界于0和1之间，若统计指标在[0.5,1]内，说明可以进行因子分析，若小于0.5则表明不适宜进行因子分析。KMO检验可通过程序包psych中KMO()函数完成。KMO检验结果如下： 该数据的KMO检验值为0.62，说明该数据适宜进行因子分析。 2.2因子分析 我们采用极大似然法求因子分析中的参数，提取前三个公共因子，分析变量与因子之间的关系。再通过回归法得到因子得分，最后通过求综合得分： 得到100支股票的综合排名。最后对结果进行分析，100支股票的优劣。 载荷矩阵、公共因子方差贡献率如下： 从图中可以看出，前三个公共因子的方差贡献率一道道75%，说明选择三个因子分析信息量是足够的。 i.对第一公因子 而言，总资产、营业利润、利润总额、在 上具有较大的正载荷，营业收入、总股本在 上有中等载荷而其他三个变量载荷较小或者没有影响。故第一公因子称为是规模因子，此因子值越大表示公司经营规模越大，盘子越大，业务越多，整体抗风险能力强。 ii.对第二公因子 而言，每股收益和净益率在 上有较大的正载荷，故第二公因子称为股票收益因子，此因为越大股票收越高。 iii.对第三公因子 而言，每股净资在在 上有较大的正载荷，每股净资产是指股东权益与总股数的比率，故第三公因子称为每股价值因子，此因子越大，表示每股价值越高。 求得因子得分为分别为： 因子之间在理论上是互不相关的，从实际的因子得分情况来看， 之间的样本相关系数也很低，所含的的信息几乎不重复。也就是说对每一股票他的因子得分的高低总体上不影响其他因子得分的高低。从图中可以看出三个因子得分的取值范围为 ，虽然各因子得分的最大最小值关于零不对