平安证券拨云散雾待月明计划

平安证券：拨云散雾待月明 类别： 机构： 研究员：

这个是给一些有心人使用的 [摘要]

宏观和技术相结合优势更明显在传统的量化择时研究中，大家通常单纯考察基本面和技术面进行建模。实际上基本面和技术面在建模的时候各有利弊，基本面更深入到市场的本质中，研究市场目前状态后面的经济学依据，考虑问题比较长期，而技术面更多是从市场价格变动的规律中进行分析总结，因而可能很好地把握市场的短期变化趋势。

本文的出发点就是要将两者的优势结合起来，希望因此能使模型的择时效果得到提高。两者结合之后，模型自2000年1月7日——2011年12月31日，共取得977.44%的收益率，战胜上证指数914.35%，年化收益率为24.6%。

基本面模型的架构体系比较完善本文采用逐项回归法利用宏观数据对每周的上证指数收益率进行建模。由于市场呈现非线性的混沌状态，任何建立的线性方程其外推能力都有限，必须不断建立新的线性回归方程，以满足预测的需要。本文每外推一步都将重新采用逐步回归法构建新的模型。此外宏观数据是滞后数据，建模时必须考虑到宏观数据的滞后性，否则建立的模型无法在实际中使用。为了弥补宏观数据的滞后性，本文也采用了ARMA模型对宏观数据做了适当的预测。基本面择时模型取得739.26%的收益率，战胜上证指数676.34%，年化收益率为20.9%技术面模型选用神经络有力补充基本面在技术面择时中，本文将长短期的价格数据结合起来综合考虑。在进行神经络模型的构建中，考虑到随着时间的推移模型不能及时学习到新的市场信息，本文采用滚动时间窗的方法，每次学习最近50期的数据并且外推12期。模型采用3层BP神经络，输入节点为7个，隐层节点为5个，输出节点为1个。