论文部分内容阅读
本文运用金融学、统计学、计算机科学等相关方面的理论,深入分析价值成长模型的内在机理,并进行实证检验。本文的模型在以往的基础上有所创新,有别于传统的量化选股模型依赖于人的主观判断,通过使用机器学习中的决策树算法对符合价值性及成长性定义的因子进行筛选,并最终组成价值成长模型。本文的实证结果发现,无论是2012年1月至2014年12月的样本期内回测,还是2015年1月至2017年10月的样本期外回测,由价值成长模型筛选出的股票组合均能战胜参考基准——沪深300指数。其中在样本期内,策略共取得了381.4%的总收益率,其年化收益率为69%,远高于参考基准沪深300指数53.7%的总收益率,而其对应的年化收益率只有15.4%。从收益风险综合评价的指标来看,策略的Sharpe指数为2.506,远高于指数的0.672,这说明我们的策略每承担一单位的风险,所带来的收益回报是2.506倍,而同期的指数则只有0.67倍。样本外的回测,我们增加了风控条件和个股择时条件,以期能更接近真实的交易环境。加入了风控条件与个股择时条件后,策略在2015至2017年10月期间整体的总收益率从原来的114.3%上升了6.1%,达到120.4%,而对应的年化收益率上升了1.3%,达到了32.3%,这说明择时条件与止损条件确实优化了原组合的收益水平。值得注意的是,加入止损条件及个股择时优化条件后,策略的最大回撤幅度从39.8%成功下降至12%,不仅大大降低了投资组合的亏损风险,而且符合我们的风险损失低于20%阀值的预期。从收益与风险的综合评价指标来看,我们比较看重的Sharpe指数已经从1以下的0.905上升到1.534,表明优化后的策略风险与收益水平得到了明显提升。文章的最后以实证结果为出发点,结合我国资本市场运行特点给出研究结论,并提出展望。