基于独立成分分析封闭式基金价格波动影响因素研究.docVIP

基于独立成分分析的封闭式基金价格波动影响因素研究 　　如今，机构投资者在我国证券市场正占据越来越多的份额，证券投资基金的波动也如股票的波动一样受到广泛的关注。因为，基金的波动无论对政策的制定者还是市场上的投资者来讲都非常重要的。从本质上说，基金是一种信托产品，投资者将资金委托给专业投资人投资于事先约定的目标市场，投资者获取投资收益并同时承担投资风险。因此，基金可以看作是在股票市场、债券市场和货币市场基础上发展起来的衍生投资品种。从金融工具的角度来看，证券投资基金和股票、债券一样，同属于金融投资品种，从这个角度来讲，基金的波动应该受到和股票一样的一些共同因素的影响，但基金和股票又有不同的地方，其反映的是基金投资者和基金管理人之间的一种委托代理关系。因此，基金又应当具有与股票不同的影响因素。与开放式基金相比，封闭式基金在我国成立相对较早，能提供更多高质量的数据。同时，由于制度上的差异，封闭式基金运行较开放式基金要稳定许多。因此，本文选取封闭式基金作为研究的切入点。 　　一、基金价格描述模型简介 　　目前对价格、收益率等的波动进行描述的的模型一般包括两类，即自回归条件方差（ARCH族）模型和随机波动（SV）模型。ARCH模型是Engle（1982）研究英国通货膨胀指数时提出来的。接着，Engle的学生Bollerslev（1986）提出了广义自回归条件异方差模型，即GARCH模型。ARCH理论与传统的CAPM、APT 理论相比最重要的优势在于突破了传统的方法论和思维方式，摒弃了风险与收益呈线性关系的假定，反映了随机过程的一个特殊的性质――方差随时间的变化而变化。但是，其仍然是将方差的波动通过一些确定的关系式表达出来，并不能够很好地拟合金融市场的实际情况。随机波动率 （StoehasticVolatility，简称SV）模型是GARCH模型族以外使用较广的一类波动研究模型。在随机波动率模型中，波动率自身被假设成一个信息更新系统，导致波动率变化的新息（Inovation）可以与导致收益率变化的信息相关，也可能不相关。实践证明SV模型可以比较好地合金融数据（Kimmetal.，1998；Poon＆Granger，2003），但是在SV模型中，波动率??一个不可观测变量决定，波动变量是不可观测的隐含变量（1atent variable），要得到精确的样本似然函数，是一件十分困难的事情。 　　人们已经意识到，证券市场本身是一个庞大的信息体，证券价格或者收益率的变化要受到多种因素的影响，这些因素往往交织在一起，利用传统的金融理论，很难得出真实而全面的隐藏在这些数据背后的影响证券市场的因素。所以一些新的方法如混沌、分形、神经网络理论以及独立成分分析方法受到越来越多的关注。独立成分分析方法看以看做一种盲源信号分离的过程。盲源信号分离指的是在源信号和传输通道参数未知的情况下，仅由观测到的信号恢复出源信号的各个独立分量的过程。而通过在证券市场得到的观测数据，去寻找隐藏在背后的影响因素的过程就可以看做是盲源信号分离的过程。通过对观察数据的分解，并使分解出来的成分尽可能地独立（这种成分叫做独立成分，ICA），而这些独立成分就可以用来分析隐藏在现象背后的深层次原因。 　　二、ICA的基本原理与方法 　　假设k个观察所得变量x可以通过n个独立成分s通过线性变化得到：xi=ai1s1+ai2s2+......+ainsn+εi，其中aij表示混合系数，ε为噪声项，在实际应用中，为了简便常假设ε=0。如果用矩阵的形式来表达，则为：X=AS。ICA模型中只有X是可以观察得到的，而A（混合系数矩阵，因为假设噪声项为0，所以A为方阵）和S都是未知的，而ICA的目的是通过X估计S，这就还要通过X估计出A。假设W=A-1，则S=WX，这样问题就转换成了求混合系数矩阵A的逆矩阵W。独立成分分析的原理就是通过估计W来对观察信号X解混，从而达到估计独立成分S的目的。 　　（1）ICA的估计。ICA估计的理论基础来自于中心极限定理：在一定条件下，独立随机变量和的分布趋向于高斯分布。因此两个独立随机变量的和的分布比这两个随机变量单独的分布更具有高斯性。ICA估计的本质就是找到最大非高斯性的投影，因此对非高斯性的度量就成为了一个关键的问题。目前，使用较多的是Hyvarinen（1999b）提出一种新的负熵近似方法，这种方法是基于最大熵原理的。该近似方法的一般表达为：J（y）≈∑ki［E｛Gi（y）｝-E{Gi（v）}］2，其中ki是取值为正的常数，v是具有零均值和单位方差的高斯变量，Gi是非二次（nonquadratic）函数。在实际中常常采用的两个非二次函数是：G1（y）= 1/a logcosh（ay），G2（y）=-exp（-y2/2）。其增长不是太快，从而得到的