基于马氏距离定量测算历史对比法对市场的指引效果.docxVIP

目 录 TOC \o 1-2 \h \z \u 从马氏距离角度探询历史的韵脚 1 马氏距离的底层指标和距离计算 3 宏观经济面马氏距离的底层指标选取以及距离计算 3 市场面马氏距离的底层指标选取以及距离计算 8 从宏观经济面和市场面马氏距离出发的行业轮动策略 11 结论和展望 15 图 目 录 图 1 ：基金经理在今年对弱复苏形成一致预期， 和 20 13 年相类似 1 图 2：当传媒行业估值填坑完毕后，均触发短暂回调 1 图 3：样本内的分布规律可能使得欧式距离判断失误 2 图 4：计算宏观经济面马氏距离的 4 个底层指标 3 图 5：根据宏观指标计算的每个月当期马氏距离 4 图 6：2023 年 5 月份识别出来最相近的宏观环境为 2021 年 12 月，但底层指标并不一一完全对应 6 图 7：基于马氏距离角度构建的宽基指数多空策略回测流程图 7 图 8：根据马氏距离探究出来的历史时刻并不能完全指导投资，但熊市时有奇效 7 图 9：计算市场面马氏距离的 5 个底层指标（1） 8 图 10：计算市场面马氏距离的 5 个底层指标（2） 8 图 11：根据市场特征指标计算的每个月当期马氏距离 8 图 12：和 2023 年 5 月份最相近的 4 个时刻（1） 9 图 13：和 2023 年 5 月份最相近的 4 个时刻（2） 9 图 14：根据市场面马氏距离对万得全 A 进行择时效果平平 11 图 15：基于马氏距离角度构建的中信一级行业轮动策略回测流程图 12 图 16：根据宏观经济面和市场面马氏距离进行行业轮动策略表现 12 图 17：宏观经济面和市场面马氏距离多头组合超额收益 13 图 18：综合宏观经济面多头和市场面多头持仓构造出来的复合策略相对基准超额收益表现 15 表 目 录 表 1：从宏观经济指标出发，和当月马氏距离前四相近的时刻 5 表 2：从市场特征指标出发，和当月马氏距离前四相近的时刻 10 表 3：宏观经济面和市场面历史多头持仓行业 14 从马氏距离角度探询历史的韵脚 “历史不会重复，但往往压着相同的韵脚”，市场研究方法论众多，但最基础的其中一个就是历史复盘与比较。无论是宏观环境，还是产业周期趋势，亦或是公司自身的发展，市 场参与者总是会不自觉地把目光转向过去，试图从历史样本中找到预判未来的抓手。 就拿今年的宏观和市场研究而言， 23H1 的弱复苏使得大家不由自主得联想到 2013 年， 再配合相似的产业政策出台，传媒时隔十年再度成为流畅的大行情主线，开启猛烈的上涨攻 势；而当传媒把过去三年估值填坑完毕后，也同样触发了行情的短暂回调。类似的例子也存在于海外：先前市场普遍认为今年将看到本轮加息周期中的‘Last Hike’，因此基于“历次最后一次加息后的美债走势”的规律分析，做多美债成为广泛化的共识。 图 1： 基金经理在今年对弱复苏形成一致预期，和 2013 年相类似 图 2：当传媒行业估值填坑完毕后，均触发短暂回调 数据来源：wind、 数据来源：wind、 而我们发现，尽管市场上的投资者将“类比历史”这一学习效应发挥得淋漓尽致，但在 实际操作过程中却存在着两个明显的问题。一是人不可能踏进同一条河流两次，我们很难找 到和当前完全相似的历史时刻，因此在面对数个较为“类似”的历史时刻中，究竟更像哪个， 需要我们人为赋权，而赋权的过程较为主观；其二则是每个人在具体比对历史时选取的角度 是不同的，每个人都可以基于自己的实际感受出发、选取不同的指标来进行比对，最后的结 果当然是千人千面、众说纷纭的。 为了更好地解决这一问题，我们尝试着借用数量工具。在多元统计中，“马氏距离”经常被用来描述变量之间的相似性，其原理和欧式距离类似，是一种距离的度量。先从欧式距 离说起，假设在一个二维空间中存在两个点（??1，??1）和（??2，??2），那么可以定义一个??： ?? = √(??1 ? ??2)2 + (??1 ? ??2 )2 此时ρ就是两点之间的欧式距离，距离越小说明两点越相近。假设我们将??1和??1 、??2和??2 分别看成样本 1 和样本 2 的特征，那么欧式距离自然就描述了两个样本间的相似度。 但在实际过程中，样本自身的各种特征可能存在着相关性，就如同一个人的身高越高他 的体重也一般会更重，那么此时欧式距离就可能失真。假若存在以下一个样本分布：样本自 身特征 X和 Y 存在着正相关的关系，虽然此时基于欧氏距离计算出来的结果指向点 1 和点 2 是同一类样本，但实际上如果参照样本分布规律，只有点 2 才能被归类到样本中去，点 1 更像是一个离群点。 图 3：样本内的分布规律可能使得欧式距离判断失误 Y 点1点2 点1 点2 数据来源： 所以我们需要考虑到样本点自身