基于技術分析視角下證券投資交易的研究方法綜述

徐晟皓,王長飛

(中山大學 管理學院,廣州 510275)

基于技術分析視角下證券投資交易的研究方法綜述

徐晟皓,王長飛

(中山大學 管理學院,廣州 510275)

技術分析方法一直是現代學術界爭相探討的話題。本文在文獻回顧的基礎上,對國外的技術分析方法在證券投資交易領域的發展實踐、內涵及基本架構進行了詳盡的回顧和分析,并將現代學術界對證券投資交易方法的技術分析研究進行分類,將文獻梳理分為平均數法、技術指標法、軟計算法三大類進行述評,最后在國內對技術分析方法研究不足的基礎上提出了未來有可能的研究方法和研究方向。

技術分析；證券投資交易；平均數法；技術指標法；軟計算法

0　引言

相比于以公司經營狀況、財務理論為根基，從產生起便很快被學術界所認同的基礎分析（FundamentalAnalysis），同樣在金融實務界有著廣泛應用的技術分析（Technical Analysis），卻因為理論根基的缺失而長期受到學術界的質疑。但是，從20世紀60年代中期，1965年Samuelson和1966年Mandelbrot分別提出了鞅（Martingale）的古老金融資產價格的模型后，開始引發學者們對技術分析領域的關注。進入20世紀80年代，“日歷效應”“過度反應”“動量效應與反轉效應”等金融“異象”被發現，進一步使得有效市場假說的理論框架受到前所未有的沖擊。從而，技術分析的研究不斷得到學術圈的廣泛關注與研究。

技術分析注重的是對反映市場交易行為的商品價格的研究，希望從資產成交價和交易量的歷史數據中捕獲資產價格未來的走勢。如今，在金融證券投資交易領域，學術界更是采用各種技術分析方法來研究交易趨勢及其變化，可謂技術分析方法種類繁多，形式多種多樣，并導致對技術分析方法的應用較為混亂，因此有必要對技術分析視角下證券投資交易研究方法進行系統性的梳理和評述，這對完善證券投資交易體系具有重要的意義。

1　研究方法綜述

2004年Park等人，將基于技術交易系統領域的交易成本、風險、數據窺測、參數最優化以及采用的統計分析等方面列為技

1.1平均數法在證券投資交易中的應用

平均數法在證券投資領域的應用主要包括簡單移動平均、平均動向指數、平滑異同移動平均及基于移動平均操作的其他方法等。其中平均數法最早在證券市場中的應用是1884年Charles Dow在證券價格平均指數中所觀察到的證券價格變動。在隨后的研究中，Neftci為了決定技術分析的普及程度是否有一個客觀基礎，在1991年進行了一項關于技術分析統計特性的調查，并試圖根據馬爾科夫時序來建立技術分析規則，但是馬爾科夫時序本質上是在給定當前知識或信息的情況下，過去的狀態對于預測未來是無關的。因此，Neftci考察了150天移動平均數和道瓊斯指數之間的關系，并測試了1911-1976年間的道瓊斯工業指數，發現移動平均數所產生的馬爾科夫時序似乎有一些預測價值。而且，他還回顧了多個其他的技術分析方法，發現其中許多方法并未產生馬爾科夫時序，因此得出只有在圖表上有效地依托 “看到未來”，才能夠生成預測的結論。

1992年Brock等人則利用1897年的第一個交易日到1986年的最后一個交易日的道瓊斯工業平均指數的數據對技術交易規則進行測試。作者測試了組合的移動平均線并設計了固定長度和可變長度的持股期以及趨勢線策略，并圍繞消除價格跨越邊界線來回震蕩設計了一個百分點的頻段。作者的發現對使用技術分析提供了有利支持，特別是使用一個百分點頻段的移動平均數策略。此外，還發現了買（賣）信號所產生的收益要比正常收益高（低），而且這些差別并不能夠被風險所輕易地解釋。最后，作者得出了技術規則具有預測能力的結論。1993年Levich和Thomas使用Bootstrap方法測試了從1976年到1990年期間5種貨幣的期貨合約。他們的研究發現使用簡單的過濾規則和多種常用的移動平均指數進行交易獲得了超過15年的持續盈利。Levich和Thomas總結得出 “遵循交易規則所產生的盈利趨勢強烈表明數據中存在著某種串行依賴形式，但對這種依賴的性質仍然不清楚”。與此同時，1997年LeBaron提出了基于簡單移動平均數的交易規則，并利用這個規則對外匯匯率過程進行了標準化測試，并得出該外匯市場不遵循隨機游走假說，而且偏差會被簡單的移動平均數檢測到。2003年Su and Huang結合使用了移動平均線、隨機線、平滑異同移動平均線、相對強弱指標和指數移動平均線來確定趨勢方向，并取得了很好的結果。綜合上述文獻可見，國外學者對平均數法的技術分析已具有較豐碩的研究成果。

1.2技術指標法在證券投資交易中的應用

證券投資交易市場中技術指標是指根據價格、交易量等歷史數據，通過建立一個數學模型，給出數學上的計算公式，得到一個體現證券市場某個方面內在實質的指標值，常見的指標有相對強弱指標、隨機指標、趨向指標、能量潮等，有眾多學者在研究中使用了這些技術指標，并在學術界形成一定的理論基礎。

1998年PruittandWhite證明了基于累積量、相對強度和移動平均（CRISMA）交易系統的有效性。該交易系統需要交易者買入和賣出的是在交易所上市的認購期權制度明確的證券，并且應符合預定義的規則。這項研究包括了從1976年到1988年的171家公司，并假設可以購買第二最短的成熟期權。實驗結果表明，即使在交易成本最大的1988年，該交易系統每回交易的平均回報也有12.05%。此后，2001年Goodacre和Kohn-Speyer使用1988-1996年間的美國數據對CRISMA交易系統的有效性進行了重新檢測。發現該系統的性能隨著時間的推移而出現了不穩定，而且一旦考慮了市場運動、風險和交易成本時，該系統將不會再獲利，最后得出了與市場有效相一致的結論。

2000年Lee和Swaminathan則研究了價格動量和交易量。他們發現過去的交易量可以預測價格動量的幅度和持續時間，即過去的交易量有助于緩和中期區間反應不足和長期區間過度反應的影響。2004年Demir等人研究了在澳大利亞股票市場應用動量策略所取得的收益回報情況。他們發現相比于其他市場，動量策略在澳大利亞市場更加的流行并可獲得更多的收益，同時該策略所產生的回報會隨著時間的推移而愈加穩健且獲利性更強，而且所觀察到的收益不能被規模和流動性所解釋。

1.3軟計算法在證券投資交易中的應用

軟計算是指通過對不確定、不精確及不完全真值的容錯來取得低代價的解決方案和魯棒性。它模擬自然界中智能系統的生化過程來有效處理日常工作。軟計算包括人工神經網絡、遺傳算法、模糊邏輯等。其中軟計算方法在證券投資交易中的應用更為廣泛。

在人工神經網絡方面：1988年White考慮了在一個持續期內使用神經網絡來預測IBM公司普通證券價格的日回報。White沒有找到任何與有效市場假設相違背的證據。它注意到采用后向傳播的神經網絡方法可以有效地降低訓練中的錯誤，然而利用優化利潤的方式來尋找反駁EMH的證據時，卻并未通過使用神經網絡獲得直接證據。1991年Jang等人建立了兩個神經網絡來學習價格運動趨勢和隨機指標之間的相關性。一個網絡采用了12天移動窗口，而另一個網絡采用的是最近交易季的過濾數據。最后的輸出設為兩個網絡輸出的加權總和。此外，基于模型預測的準確性，并利用自適應權重調整算法對權重進行了調整。該文中的集成的觀念就是對從兩個不同視角所得到的結果進行加權輸出，其中一個是短期趨勢視角，而另一個是長期趨勢視角，這個加權輸出在臺灣股市中獲得了很好的市場回報。繼這項研究后，研究者們進一步證實了利用集成移動平均的平滑預測方法會產生更為優越的交易結果。

在遺傳算法方面：1997年Neely等人使用遺傳算法尋找到有效交易規則并研究了1981-1995年間的6種外匯匯率。他們的這種規則發現類似于那些技術性投資者所使用的規則，而且這些規則在經濟上產生了顯著的樣本外收益回報。此外，他們并沒有發現能夠證實該額外收益是由風險所引發的證據，同時通過自舉過程，利用那些交易規則檢測到了沒有被標準統計模型所捕獲的數據模式。Neely等人把這些結果看作是市場低效率性的可信證據。2002年Skabar和Cloete使用了一個基于權重的遺傳算法優化程序來訓練神經網絡，并針對道瓊斯指數進行了檢測，得到的結果顯著優于本來所預計的隨機價格序列。

在模糊邏輯方面：1997年Chou等人提出了將包含大量技術分析指標的系統和模糊邏輯規則相結合，并基于此建立了一個感應樹系統。利用臺灣市場1990年1月至1995年4月的數據對該系統進行了檢驗，即將輸出結果與買入并持有策略以及當時臺灣的四大封閉式基金進行了比較，結果表明該系統優于買入并持有策略，且優于當時那四支基金，但奇怪的是該系統在1994年卻表現不佳，此文將其歸咎于這一年市場中“人類的影響”。2002年Dourra和Siy的文章，他們在技術分析系統中建立了一個模糊邏輯解釋后端。該系統首先確定了各種技術分析指標的值，然后使用模糊邏輯將技術分析的輸出值量化成隸屬度集合，并用于模糊邏輯解釋。因此，系統評估專家只需將數值定義為“大”“小”等規則，而無需描述實際的數值。最終，系統得到了非常好的結果，利潤遠超標準普爾500指數的收益回報。

在綜合方面：眾多的學者也結合神經網絡、遺傳算法和模糊邏輯等綜合算法進行了研究。2002年Thawornwong等人發現，神經網絡和遺傳算法集成系統所獲得的收益超過了使用ARIMA，MACD和買入并持策略所產生的收益，同時也提出了過度交易會產生負收益的疑問。2004年Simutis和Masteika提出了一個成功的模糊神經遺傳算法，該算法利用基于價格變動和成交量變動的技術輸入變量，通過檢驗從1992年初始至2002年底的標準普爾500指數而取得了非常好的結果。2005年Versace等人利用遺傳算法來選擇集成神經網絡的構造參數，并在整個檢測集合中對集成系統的訓練表明預測向上/向下的準確率具有很高的水平。當然還有一些文獻結合遺傳算法和神經網絡對證券交易進行研究。

2　結論與展望

本文在對國外文獻回顧的基礎上，對技術分析視角下證券投資交易研究方法進行了系統性的梳理和評述，并將研究方法分為平均數法、技術指標法、軟計算法3大類，這有助于研究者從單個研究方法的困惑中解脫出來，從整體上對證券投資交易研究方法有一定的了解。

同時可知，目前國外在證券投資交易研究領域，基于技術分析的研究已經形成了很多方法，這些方法主要從歷史數據維度來預測未來投資交易，并從不同的角度刻畫投資交易的特點，對證券投資交易研究具有重要的意義。

我國證券市場發展較晚，國內在這方面的研究相對國外要滯后一些。近年來，國內金融市場的快速發展，對證券投資交易的研究也取得很大的進步，然而大部分研究僅側重于采用技術指標或神經網絡來實現，進而依據所識別的基本變量的閾值來決定證券投資交易，此時會導致證券投資的不確定性和風險性。

因此，為更加清楚地了解技術分析視角下我國證券投資交易研究的現狀，從中吸取成功的經驗，并發現當前存在的問題，進而根據中國獨特的情境，提出中肯的建議，本文系統性地梳理了2000年以來發表在主流期刊上的證券投資交易研究文獻①，如表1所示。在梳理的過程中，發現中國學術界在技術分析這方面還是比較欠缺的，主要體現在：研究證券投資交易領域的學者少，研究文獻也相對較少；國內學者多采用國外成熟的技術分析方法，創新性比較少；部分技術分析方法，并未充分考慮政府政策指導等因素，國內技術分析體系還有待完善。但是，就目前中國金融市場發展的前景看，中國證券投資交易市場容量大，范圍廣，證券投資交易研究是非常有潛力的。

表1　主流期刊證券投資交易研究文獻

針對中國證券投資交易在技術分析方面的欠缺，①就學術界而言，可以深入探討證券交易動態過程，以獲取有洞察力的見解，加強理論、技術分析創新；加強跨層面議題研究，使研究獲得更全面、更符合現實的發現，進而將理論與實際聯系起來。②進一步發展和完善國內證券市場。如建立規范、高效的證券市場體系；積極擴大證券市場容量，適應企業融資需求；深入研究證券市場合理運作機制等。③在未來證券投資交易研究的問題上必然還會出現多種新的技術分析方法，但未來的研究趨勢應該更側重于將交易的即時性與交易的價格結合起來，這還有待進一步的深入研究。

主要參考文獻

①目前，國內證券投資交易成果主要發表在證券期刊及經濟管理類期刊，本文主要以A類期刊為主，并添加其他證券投資類期刊。本文選擇文獻的主題詞（′證券′+′證券預測′+′證券投資′+′證券交易′+′證券價格′+′股票預測′+′股票投資′+′股票交易′+′股票價格′+′股票期貨′+′股票期權′+′債券預測′+′債券投資′+′債券交易′+′債券價格′）*（′技術分析′+′技術有效性′+′量化分析′+′量化金融′+′程序化′+′移動平均′+′技術指標′+′人工神經網絡′+′遺傳算法′+′模糊邏輯′），從中國知網上選擇文獻進行系統梳理。

［1］W Brock，J Lakonishok，et al.Simple Technical Trading Rules and the Stochastic Propertiesof Stock Returns［J］.Journal of Finance，1992，47 （5）：1731-1764.

［2］SC T Chou，H JHsu，et al.A Stock Selection DSS combining AI and Technical Analysis［J］.AnnalsofOperations Research，1997，75：335-353.

［3］IDemir，JMuthuswamy，etal.Momentum Returns in Australian Equities：The Influences of Size，Risk，Liquidity and Return Computation［J］. Pacific-Basic Finance Journal，2004，12（2）：143-160.

［4］H Dourra，PSiy.InvestmentUsing TechnicalAnalysisand Fuzzy Logic［J］. Fuzzy Setsand Systems，2002，127：221-240.

［5］T A E Ferreira，G C Vasconcelos，et al.A Hybrid Intelligent System Approach for Improving the Prediction of Real World Time Series［C］. Congresson Evolutionary Computation，2004.

［6］A Goodacre，T Kohn-Speyer.CRISMA Revisited［J］.Applied Financial Economics，2001，11（2）：221-230.

［7］G Jang，F Lai，et al.An Intelligent Trend Prediction and ReversalRecognition System using Dual-Module Neural Networks［C］.First International Conference on Artificial Intelligence Applications on Wall Street，New York，1991.

［8］C Lee，B Swaminathan.Price Momentum and Trading Volume［J］.The Journalof Finance，2000（5）.

［9］R Levich，LThomas.The significance of Technical Trading Rule Profits in the Foreign Exchange Markets：A Bootstrap Approach［J］.Journal of InternationalMoneyand Finance，1993（12）：451-474.

［10］CNeely，PWeller，etal.Is Technical Analysis in the Foreign Exchange Market Profitable？A Genetic Programming Approach［J］.Journal of Financial&QuantitativeAnalysis，1997，32（4）：405-426.

［11］S N Neftci.Naive Trading Rules in Financial Markets and Wiener-Kolmogorov Prediction Theory：A Study of′Technical Analysis′［J］. JournalofBusiness，1991，46：549-571.

［12］Park C H，Irwin SH.The profitability of technical analysis：A review ［J］.Urbana，2004，51.

［13］S Pruitt，R White.The CRISMA trading system：Who says technical analysis can′tbeat themarket［J］.Journal of Portfolio Management，1998 （Spring）：55-58.

［14］R Simutis，SMasteika.Intelligent Stock Trading Systems Using Fuzzy-Neural Networks and Evolutionary Programming Methods［J］.Salf Formatin Theorgand Applicationg，2004（97）：59-63.

［15］A Skabar，ICloete.Neural Networks，Financial Trading and the efficient markets hypothesis［C］.25th Australasian conference on Computer Science，Melbourne，Australia，Australian Computer Society，2002.

［16］SFSu，SR Huang.Applications of Model-Free Estimators to the Stock Market with the Use of Technical Indicators and Non-Deterministic Features［J］.Journal of the Chinese Institute of Engineers，2003，26（1）：21-36.

［17］SThawornwong，DEnke，etal..Genetic Algorithmsand NeuralNetworks for Stock Trading Prediction and Technical Signal Optimization［C］. Decision Sciences Institute2002 AnnualMeeting，2002.

［18］M Versace，R Bhatt，et al.Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks［J］. ExpertSystemswith Applications，2005，27（3）：417-425.

［19］X YWang，ZOWang.Stock Market Time Series Data Mining Based on Regularized Neural Network and Rough Set［C］.2002 International Conferenceon Machine Learningand Cybernetics，Beijing，2002.

［20］HWhite.Economic Prediction using Neural Networks：The case of IBM Daily Stock Returns［C］.Second Annual IEEE Conference on Neural Networks，1988.

［21］董保寶.創業研究在中國：回顧與展望［J］.外國經濟與管理，2014，36 （1）：73-80.

［22］劉海龍，仲黎明，吳沖鋒.股票流動性度量方法［J］.系統工程理論與實踐，2003，23（1）：30-32.

［23］母澤洪，周劍.公司資本結構的證券設計理論綜述［J］.經濟學動態，2011（9）：146-149.

［24］攀登，施東暉，曹敏.中國個人投資者采用股價趨勢交易策略的經驗研究［J］.世界經濟，2003（11）.

［25］楊麗，高風.模糊組合神經網絡智能選股模型的建立［J］.控制工程，2008，15（增）：97-99.

［26］禹建麗，孫增圻，ValeriKroumov，等.基于BP神經網絡的股市建模與決策［J］.系統工程理論與實踐，2003（5）：15-19.

［27］曾勇，李平，王志剛，等.組合證券投資與資本市場研究［M］.北京：科學出版社，2007.

10.3969/j.issn.1673-0194.2015.11.084

F832.48

A

1673-0194（2015）11-0141-04

2015-04-05術分析的主要研究范圍，并將技術分析領域的經典研究分為兩大類：早期研究與現代研究。但由于早期與現代研究的邊際定界模糊，且在技術分析的研究中，風險評估、交易利潤的統計分析以及數據窺測等問題往往都不可分割，同時由于2004-2015年，學術界對技術分析領域的研究再一次呈現爆發性增長，尤其是對股票市場和外匯市場的研究熱情空前高漲。因此在本研究中，通過對技術分析方法在證券投資交易領域的發展實踐、內涵及基本架構的分析，以及在相關文獻分類總結的基礎上，對現代國外學術界對證券投資交易方法的研究進行分類，本文主要歸納總結為以下3種。