量化私募行業發展趨勢的組合預測研究

姚宇航 辜浩誠 龍亞標 余曉鑾

[摘 要]文章首先從私募證券基金角度出發，分析和預測了量化投資行業未來的發展趨勢;針對存在突破點的機構數量時間序列，在傳統的ARMA（1，1）模型基礎上，引入了干預分析模型，分析得出對時間序列的擬合效果較好。其次建立了線性回歸方程研究機構數量和滬深300的關系，研究得出模型的擬合程度較高。最后為了進一步提高預測模型對時間序列的擬合效果以及預測精度，文章將不同模型的預測精度作為預測值的誘導值，建立了基于IOWA算子的組合預測的模型。

[關鍵詞]量化投資;ARMA模型;線性回歸;組合預測

[DOI]10.13939/j.cnki.zgsc.2019.07.049

1 引 言

隨著證券市場的復雜程度日益提升，傳統投資面臨較大挑戰，因此越來越多的專業機構，如私募基金公司開始關注量化投資。在我國，量化投資雖然起步較晚，但隨著近幾年我國隨著金融科技產業的蓬勃發展，我國的量化投資行業也進入了一個相對高速的發展時期。自2010年股指期貨推出以后，越來越多的海外量化基金經理開始回歸國內私募基金市場，越來越多的私募基金開始推出了各自的量化產品。

2 ARMA干預分析模型

文章主要數據為私募證券基金管理人數和滬深300指數的當天平均價格，模型中分別用yt，Pt來表示。

ARMA 模型是研究平穩隨機過程有理譜的典型方法，常用于分析長期的時間序列。時間序列yt滿足：

文章采用ARMA（1，1）模型作為機構數量的預測模型。由于STATA相當于對去中心化的變量擬合ARMA模型，根據STATA計算結果可得出ARMA（1，1）模型如下：

其中，Δyt表示對機構數量的一階差分。模型的p值為0.0000，在5%的顯著水平下，通過了檢驗。

將干預影響后的機構數量實際值減去干預影響的預測值，結合干預影響前的機構數量實際值，即為消除了干預影響的機構數量的凈化序列。對凈化序列建立擬合模型，仍采取ARMA（1，1）進行擬合，結果如下：

模型的p值為0.0000，在5%的顯著水平下，通過了檢驗。

最后用Xt可以表示總干預分析模型，結合干預影響值的模型和機構數量的凈化序列的ARMA（1，1）模型，可以組建得到總的ARMA干預分析模型如下：

根據總的ARMA干預分析模型，計算機構數量預測值，并與機構數量的實際值進行對比，結果如下。

模型的擬合效果較好，除了在突破點存在偏差，在時間序列的后期擬合程度較高。

3 線性回歸模型

文章采用滬深300指數當天的平均價格作為代理指標，用Pt來表示。滬深300指數是反映滬深兩個市場整體走勢的“晴雨表”，成分股為市場中市場代表性好，流動性高的主流投資股票，能夠反映市場主流投資的收益情況。

因為機構數量在2016年7月存在著突變點，因此引入虛擬變量來衡量外部干預這定性數據，以此修正模型，用Dt來表示。在線性回歸模型中，依然對機構數量進行對數處理，但不進行一階差分處理。

通過STATA生成含虛擬變量的線性模型，回歸結果及預測效果如下。

除了在突變點之前的一段時間偏差較大，整體上，模型對機構數量時間序列的擬合程度較高。

綜上所述，總的線性回歸模型為：

4 組合預測模型

文章把預測精度ait作為預測值xit的誘導值，前文已分別求出基于ARMA干預分析模型和線性回歸模型的機構數量預測值，再計算在不同時期兩種模型的預測精度，即可構建二維向量aitxit以及對應的IOWA算子。通過matlab計算求得組合預測模型的預測值。

組合預測模型相對于ARMA干預分析模型和線性回歸模型，在突變點附近對機構數量時間序列的擬合程度有較大的提高。

5 結 論

文章將私募證券投資基金管理人作為代理指標，通過建立量化投資行業的預測模型，為研究量化投資行業的學者提供一個更精確的分析工具。在建立組合預測模型時，文章直接定義了權重向量。由于不同的權重系數對應的模型預測效果不同，很可能存在著最優的權重向量，因此在未來的研究中，將采用遺傳算法等最優算法求出最優權重向量，以提高模型的預測精度。

參考文獻：

[1]周廣肅. Stata 統計分析與應用[M]. 北京：機械工業出版社， 2015.

[2]徐國祥. 統計預測和決策[M]. 上海：上海財經大學出版社， 1998.

[3]黃曉宇. 基于干預分析模型的新線開通對網絡客流影響計算方法研究[D]. 北京：北京交通大學， 2017.