基于成交量標的股價動力學理論分析

1、 可修改 歡送下載 精品 Word 可修改 歡送下載 精品 Word 可修改 歡送下載 精品 Word基于成交量標度(bio d)的股價動力學分析* 國家杰出青年科學基金70025303和教育部跨世紀優(yōu)秀人才資助工程吳文鋒 吳沖鋒(chngfng)* 吳文鋒，1975年生，博士研究生，Email:wenfengwusina 。吳沖鋒，1962年生，博士，教授，博導。主要研究方向：金融工程與金融復雜性。上海交通大學管理(gunl)學院，200052摘要(zhiyo) 傳統(tǒng)的基于時間標度的股價動力學分析方法缺乏考慮成交量的重要作用，本文在股價調(diào)整的成交量進程時間假設下，提出基于成交量標度的股價動力

2、學分析方法。通過對上證綜合指數(shù)的實證研究(ynji)，結果說明基于成交量標度的股價動力學分析方法的可行性和有效性。關鍵詞 成交量標度 成交量進程時間假設 股價1 引言長期以來，成交量一直被金融實務界看作影響價格變動的重要因素，它是交易者從市場上能觀察到的除了價格之外的另一重要變量。交易者從成交量中獲取信息進行學習，并據(jù)此制定交易策略。在金融理論上，成交量與股價變動絕對值之間呈正相關關系，成交量影響股票收益率的自相關性、互自相關性和慣性效應，成交量已作為金融或宏觀經(jīng)濟事件的“信息含量的一種度量方法。但是，傳統(tǒng)的基于時間標度的股價動力學模型卻很少考慮成交量在股價分析中的重要作用，而且基于時間標度的

3、股價模型都要一個隱含的假設：股票價格的調(diào)整是基于固定的日歷時間間隔推進的。而實際上，股價的推進是按它自己的交易時間進行的，本文在股價調(diào)整的成交量進程時間假設的根底上，提出基于成交量標度的股價動力學分析的根本思想和根本方法，并通過對上證綜合指數(shù)的實證研究證實了基于成交量標度的股價動力學分析方法的可行性和有效性。2 成交量進程時間假設2.1 成交量進程時間假設我們都是以固定的日歷時間間隔記錄經(jīng)濟世界和金融市場中的經(jīng)濟變量，比方宏觀經(jīng)濟統(tǒng)計中的GDP年增長率，消費價格指數(shù)月變化率，金融市場中的股票價格的日收盤價。對這些金融經(jīng)濟變量的傳統(tǒng)的時間序列分析都有一個隱含的假設：這些變量是以固定的日歷時間進程

4、推進的。但是，大量的研究發(fā)現(xiàn)，這些經(jīng)濟變量并不是以固定的日歷時間進程推進的，而是以它自己的經(jīng)濟時間推進的。比方，經(jīng)濟周期就是一個獨立的經(jīng)濟時間單位，即有關經(jīng)濟周期的變量的推進模式是從一個周期的一個階段進入下一個階段，而不是從一個月到下一個月。由于各個經(jīng)濟周期的時間長度不同，所以分析這些周期行為的適宜的時間刻度不能基于月、季、年或者其它日歷時間刻度，而應該是經(jīng)濟周期本身1。對于股票價格的研究，目前也都是使用固定的日歷時間間隔(jin g)記錄的數(shù)據(jù)，即使是成交層次的數(shù)據(jù)，其時間間隔也是固定的，只不過從日頻率變?yōu)樾r、分鐘而已。所以目前的股價的時間序列分析也都有一個隱含的假設：股票價格的調(diào)整是以固

5、定的日歷時間間隔推進的。但許多研究發(fā)現(xiàn)，股票價格的變化與市場上的信息有很大的關系，股票價格的調(diào)整并不是以我們記錄數(shù)據(jù)用的固定的日歷時間(shjin)進程推進的，不是從這一日到下一日，從這一周到下一周，它也存在自己獨立的時間推進進程，比方(b fng)信息流進程(jnchng)2、3。正如華爾街上的諺語(yny)所說的，成交量推動股價的前進It takes volume to move prices，股價的調(diào)整是按照成交量進程推進的，我們把這稱為成交量進程時間假設。2.2 成交量進程時間假設的數(shù)學刻劃在成交量進程時間假設下，令成交量進程時間刻度為，日歷時間刻度為，日歷時間與成交量進程時間的轉(zhuǎn)換式

6、為。假設基于日歷時間點觀察到的變量表示成，可觀察的離散日歷時間變量表達成。那么稱為對應于日歷時間到這段時期內(nèi)的成交量進程時間長度，稱為成交量進程時間轉(zhuǎn)換函數(shù)。通常假設滿足下面幾個條件： 1不依賴于將來的值； 2成交量進程時間和日歷時間以相同方向推進， ，； 3可辨識，特別地，只是簡單的時間線性轉(zhuǎn)換函數(shù)是不適宜的，因為時間線性轉(zhuǎn)換只是對日歷時間重新標定，如把季度轉(zhuǎn)換成年。 4一般令，另外，在實證研究中令其均值為1，這樣一個單位的成交量進程時間平均對應于一個單位的日歷時間。 5為了參數(shù)估計的方便，假設轉(zhuǎn)換函數(shù)為連續(xù)的。 在成交量進程時間假設下，記： 1 其中(qzhng)：為時刻(shk)的成交量

7、。 滿足(mnz)上面5個條件(tiojin)的函數(shù)(hnsh)很多，不同的函數(shù)對應不同的成交量進程時間假設。特別地，當時，即為傳統(tǒng)的日歷時間假設。 在下面的實證研究中，我們采用簡單的成交量進程時間線性轉(zhuǎn)換函數(shù)： 2 其中：為一常數(shù)；。 為了滿足，我們?nèi)。慈〉淖钚≈禐閷嵶C樣本區(qū)間內(nèi)最大成交量與最小成交量比率的倒數(shù)，大于零且遠遠小于1。這樣，我們求得： 式2所表示的成交量進程時間轉(zhuǎn)換函數(shù)，可滿足上面提出的5個條件。3 基于成交量標度的股價動力學分析基于成交量標度的股價動力學分析的根本思想3.1.1 傳統(tǒng)的基于時間標度的股價動力學 在金融市場中，有三個最根本的要素：時間、價格和成交量。對于這三個

8、要素，時間為一個標度，用于記錄價格和成交量，價格和成交量隨著時間的前進而推進。通過時間的標度，我們得到兩個時間序列基于時間標度的序列：價格序列和成交量序列。目前所有的理論研究和實務分析，圍繞著這兩個序列可分成三類：單獨研究價格序列的行為；單獨研究成交量序列的行為；研究和之間的行為。例如：傳統(tǒng)的資產(chǎn)定價模型，研究的就是股票價格的衍生變量收益率的結構和動力學關系。 傳統(tǒng)的基于時間標度的股價動力學可用下式3表示： 3其中(qzhng)：為時刻(shk)的股價；表示(biosh)時刻之前(zhqin)可獲取的信息，比方(b fng)時刻之前的股價；表示股價與其前期信息之間的函數(shù)關系；為隨機誤差項。 式

9、3刻劃的股價動力學模型，比方當，為線性函數(shù)時，即為隨機游走模型。自回歸AR模型、移動平均MA模型、自回歸移動平均ARMA模型等都是常用的線性動力學模型，非線性模型如神經(jīng)網(wǎng)絡模型等。3.1.2 從時間標度到成交量標度 由于按照時間標度得到的股價序列進行分析可能就會很困難，即式3中為非線性函數(shù)?，F(xiàn)在我們放棄原來的時間標度，而使用成交量標度來分析股價動力學： 4其中：為時刻的股價；表示時刻之前可獲取的信息，比方時刻之前的股價；表示基于成交量標度的股價與其前期信息之間的函數(shù)關系；為隨機誤差項。 對于式4，我們使用成交量標度進行股價動力學分析包括三個步驟：標度成交量時刻；構造基于成交量標度的股價序列；進

10、行基于成交量標度的股價動力學分析，即求解函數(shù)。 特別地，當成交量標度等于原來的時間標度時，基于成交量標度的股價就是原來的基于時間標度的股價。 從時間標度到成交量標度，我們把按照日歷時間推進的股價序列動力學分析轉(zhuǎn)換到基于成交量標度的動力學分析，解決了兩個問題：第一、從成交量標度考慮得到的價格序列自然地把成交量的信息融入到價格序列中，防止了原來的價格和成交量兩個變量別離難以結合研究的問題。第二、按成交量推進的思想，也符合市場交易本身的推進方式。由于市場交易不按固定的日歷時間推進，而是按其交易本身的時間推進，按影響交易的信息流過程推進，那么成交量作為市場重要事件的“信息含量的度量標志，很自然地可以作

11、為市場交易本身時間的一個替代?；诔山涣繕硕?bio d)的股價動力學分析的根本(gnbn)方法(fngf)3.2.1 確定(qudng)成交量標度 由于(yuy)放棄了傳統(tǒng)的時間標度，我們需要重新給定股價的標度。標度確定的是否適當直接影響基于成交量標度的股價的行為特征。在成交量進程時間假設下，日歷時間伸縮了，股價以成交量進程時間形式推進，在實證研究中我們使用成交量進程時間來確定成交量標度。因為成交量進程時間的均值等于1，即剛好等于一個平均時間刻度單位，那么成交量標度的單位設定為成交量進程時間的均值。 下面說明如何求得成交量標度時的時間標度值。假設時刻的成交量進程時間為，那么時刻的累積成交量進

12、程時間為。時的時間標度值由下式中確實定： 5時的時間標度值就介于時刻和時刻之間。3.2.2 基于成交量標度的股價序列的構造 由于現(xiàn)有存在的股價序列都是基于日歷時間標度的，為了進行基于成交量標度的股價序列動力學分析，我們必須重新構造股價序列。 就象時間標度一樣，一般我們所取的標度值都是固定間隔的整數(shù)，而式5中累積成交量進程時間剛好等于整數(shù)值的時間標度往往介于兩個整數(shù)時間標度之間。所以，基于成交量標度的股價就是這種介于兩個整數(shù)時間標度之間的股票價格，在這種精確的時間標度的股價獲取有困難的情況下現(xiàn)存的可獲取的數(shù)據(jù)庫可能沒有每筆的成交數(shù)據(jù)記錄，我們常常采取替代的方式。 如果我們對日數(shù)據(jù)進行實證研究，而

13、無法得到每筆成交數(shù)據(jù)，那么可使用日數(shù)據(jù)的加權平均法。這里的權是成交量進程時間，而股價那么用平均成交價替代。假設為日的成交金額，為日的成交總股數(shù)，那么日的平均成交價為： 6 記基于成交量標度(bio d)的價格序列為，假設(jish)前s 個基于成交量標度(bio d)的股價已經(jīng)產(chǎn)生，下面求第s1 個價格(jig)。假設(jish)下式滿足： 7 那么第s+1個成交量標度的股價為： 83.2.3 基于成交量標度的股價動力學分析的根本方法 在生成基于成交量標度的股價序列后，我們就可以進行動力學分析。傳統(tǒng)的基于時間標度的股價動力學分析方法都可應用于基于成交量標度的股價序列，比方ARIMA模型分析、G

14、ARCH模型分析和人工神經(jīng)網(wǎng)絡分析等。4 實證研究 下面我們對上證綜合指數(shù)進行實證分析，通過基于時間標度的股價收盤價序列和基于成交量標度的股價序列進行ARIMA模型比擬分析，來說明基于成交量標度能降低股價行為的復雜性，從而簡化股價行為的分析。 數(shù)據(jù)樣本：1998年1月1日至1999年12月31日的上證綜合指數(shù)，共485個交易日4.1 誤差分析 為了比擬模型擬合樣本序列的程度，我們使用下面幾個誤差項分析。設和分別表示實際值和模型的預測值，n 為樣本數(shù)。 1均方差： 9 2平均(pngjn)絕對值誤差： 10 3最大絕對值誤差(wch)： 11 4最小絕對誤差(ju du w ch)： 12 5絕

15、對值誤差(wch)小于1.5比例(bl)： 134.2 模型識別 先按照前面的成交量進程時間線性轉(zhuǎn)換函數(shù)式2生成成交量進程時間，再根據(jù)日數(shù)據(jù)加權替代法式8生成基于成交量標度的股價序列，其中上證綜合指數(shù)的成交量用日成交金額度量。記CLSPRC為原來的基于時間標度的收盤價序列，PRC_L為基于成交量標度的股價序列。 我們把485個樣本分成兩段，第1至405個樣本用于系統(tǒng)識別和參數(shù)估計，第406至485個樣本用于測試。按照AIC和BIC信息準那么以及模型的參數(shù)的顯著性進行模型的辨識，我們得到兩個序列的ARIMA模型的階數(shù)，見表1。表1 兩個序列的ARIMA模型序列ARIMA(p,d,q)模型的擬合情

16、況殘差的自相關性檢驗Adj.S.EAICBIC階數(shù)Chi-Square顯著性概率CLSPRC(3,1,0)0.09907-2204.08-2188.0763.670.299PRC_L(2,1,0)0.06200-2395.42-2383.4267.800.099注：第二列的p，d，q分別表示自回歸項、差分(ch fn)項和移動平均項的階數(shù)。 第三列的Adj.S.E為調(diào)整(tiozhng)的誤差平方和。第四列、第五列分別(fnbi)為赤池信息準那么(n me)值和Scharwz-Bayes信息(xnx)準那么值。分析： 1從殘差的自相關性檢驗看，兩個模型的殘差的直至6階滯后的自相關系數(shù)都沒有顯著

17、不為零的，說明兩個模型擬合得都不錯。 2從階數(shù)上看，基于成交量標度的指數(shù)序列的階數(shù)都比收盤價序列的小。 3從Adj.S.E、AIC和BIC值看，基于成交量標度的指數(shù)序列的值都要小于收盤價序列，說明基于成交量標度的指數(shù)序列要比收盤價序列擬合的更好一些。4.3 兩個序列的擬合效果分析由前面識別出的兩個序列的ARIMA模型及其參數(shù)值，我們對后面的80個樣本進行預測，再根據(jù)前面的誤差分析項計算出辨識階段和測試階段的各個誤差值，見表2。表2 兩個序列的ARIMA模型的誤差分析表辨識階段：樣本數(shù)405序列均方差平均絕對值誤差最大絕對值誤差最小絕對值誤差絕對值誤差小于1.5的比例CLSPRC0.000245

18、180.01102630.08435410.0000370260.7599010PRC_L0.000153450.00867750.07155199.335405E-60.8366337預測階段：樣本數(shù)80CLSPRC0.000186530.01012000.06553110.0002345890.8125000PRC_L0.000138370.00837660.04991620.0000577540.8750000分析 1在模型辨識階段，從各個誤差分析值看，不管是均方差、平均絕對值誤差，還是最小絕對值誤差、絕對值誤差小于1.5的比例，基于成交量標度的指數(shù)序列都要優(yōu)于收盤價序列。 2在模型測試

19、階段，各個誤差分析值也是基于成交量標度的指數(shù)序列要比收盤價序列好。 3模型測試階段的誤差分析(fnx)值與辨識階段相比，其擬合效果并沒有變差，說明模型的參數(shù)的時間平穩(wěn)性得到了很好的保證。5 結論(jiln) 根據(jù)前面的基于成交量標度的股價序列的分析方法，我們對上證綜合指數(shù)的日數(shù)據(jù)進行(jnxng)了實證分析。按照赤池信息準那么(n me)AIC、Scharwz-Bayes信息(xnx)準那么BIC和參數(shù)值的顯著性，我們對兩個序列進行了ARIMA模型辨識，發(fā)現(xiàn)基于成交量標度的指數(shù)序列的自回歸項階數(shù)要小于收盤價序列，而且AIC和BIC值也要小于收盤價序列。這說明基于成交量的指數(shù)序列的ARIMA模型

20、的擬合情況要優(yōu)于收盤價序列。再由辨識階段得到的ARIMA模型的參數(shù)值對后面的樣本進行了測試，從各個誤差分析項包括均方差、平均絕對值誤差、絕對值誤差小于1.5的百分比等也可以看出，基于成交量標度的指數(shù)序列用ARIMA模型擬合要好于收盤價序列。上面的實證結果說明，基于成交量標度的股價動力學分析方法是可行的，也是有效的。參考文獻Stock James H. Measuring business cycle timeJ. Journal of political economy, 1987, 95: 1240-1261Andersen. Return volatility and trading vo

21、lume: an information flow interpretation of stochastic volatilityJ. The Journal of Finance, 1996, 51: 169-204Clark P. A subordinated stochastic process model of cotton futures prices. 1973, Ph.D. Dissertation, Harvard UniversitySchwert G. William. Stock volatility and the crash of 87J. The review of

22、 financial studies, 1990, 3:.77-102Karpoff, Jonathan M. The relation between price changes and trading volume: A surveyJ. Journal of financial and quantitative analysis, 1987, 22: 109-126Gallant A Ronald, Peter E Rossi, George Tanchen. Stock Prices and VolumeJ. The Review of Financial Studies,1992, 5: 199-242Hull J. and A. White. The pricing of options on assets with stochastic volatilityJ. Journal of finance, 1987, 42: 282-300吳沖鋒，吳文鋒.基于成交量的股價序列分析.系統(tǒng)工程理論方法應用，2001,(1):1-7吳沖鋒，王海成.吳文鋒，金融工程研究.上海交通大學出版社，2000年2月A Dynamic Analysis o