证券技术分析研究论文

时间:2022-04-20 05:18:00

证券技术分析研究论文

一引言所谓证券技术分析,就是运用证券历史价格和成交量序列形成的特定的图形模式,预测证券价格的未来走向,这显然是和我们熟知的有效市场假设(EMH)相矛盾的。有效市场理论强调当前已包含了所有公开信息,而未来价格是不可预测的(Fama(1970)),但自70年代开始,就逐步有理论和实证研究对其提出挑战,包括一月效应,星期效应,小公司效应和账面-市价比效应(Book-to-MarketEffect)等现象的发现,显示市场上有可能出现系统性赚取超额利润的机会,这很自然地激起了学界研究证券技术分析有效性的兴趣。二证券技术分析的早期研究目前我们所知的这个领域的最早的文献是Alexander(1961)。他采用了一种最简单的技术指标作为决策依据:如果股票价格从某一低位上升至少x%,买入并持有该股票;当价格从随后的高位下跌至少x%时,卖掉股票并等待下一个买入信号。他宣称采用道琼斯工业平均指数和标准普尔指数检验的结果,这样的策略较之简单的买入-持有策略能带来显著的利润。但随后,Fama和Blume(1966)发现,Alexander的研究没有考虑公司分红的效应和交易成本。采用经股利调整的道琼斯指数成份股价格序列,他们证明上述的交易策略不会优于简单的买入-持有策略,即使0.1%的交易成本也足以耗尽由上述交易策略带来的利润。Jensen和Benington(1970)的研究使用了更接近于实际的交易策略,即相对强度策略。所谓相对强度,定义为当前价格与27周平均价格之比,等量投资于前x%相对强度最大的那些股票,在t周后重新计算所有股票的相对强度,并调整投资组合,即确保投资组合中的股票相对强度始终处于前x%。采用纽约交易所上市公司数据,他们的研究没有发现超过买入-持有策略的利润,而且相应的风险水平较高。早期对证券技术分析的研究有以下特点:1.争论的焦点一直就是当前价格是否集合料所有的公开信息,但在当时,信息还是个“原子式”的概念,还要过十年,人们才开始在时间和空间两个方向上建立信息的结构和相应的分析框架。2.由于当时模式识别技术也才刚刚起步,研究中无法考虑较为复杂的图形模式。3.除与买入-持有策略相比较外,竟然学研究中还缺少描述技术分析指标的预测能力和盈利能力的统计方法,这些手段通常需要的大容量计算机也还没有出现。三探索证券技术分析的理论基础随着信息经济学的发展,研究人员逐渐认识到当前价格不是所有私人信息的完美集合。例如,如果当前价格同时受到不可观测的股票供给以及市场参与者私人信息的影响,那么它自身就不可能对私人信息提供充分的估计。因此,市场参与者在形成他们的需求时,除使用价格外,还会使用各自的私人信息。此外,当前价格中包含的噪音也使价格不可能完全揭示过往的私人信息。我们从而可以很自然地得出这样的命题:历史价格能有效地帮助投资决策,以此为出发点的一些模型逐渐揭示了证券技术分析的理论依据。Brown和Jennings(1989)就是这样一个二阶段含噪音理性预期模型。在他们的模型里,投资者每一阶段的私人信息都是不相关的,而且每一阶段的股票供给都会变化。他们证明:第一阶段的价格有助于估计整个信息集,它不受第二阶段公开信息和噪音的影响;对于信号均值,联合考虑两个阶段价格的推断严格优于独立使用第一或第二阶段价格的推断。显然,这样的市场在Fama(1970)意义上是无效率的。我们知道,多数技术分析师是十分重视成交量信息的,在实践中,他们都会同时根据价格和成交量过往信息作出判断。Blume,Easley和O’Hara(1994)就成功解释了成交量对投资决策的作用。他们的模型以市场微观结构理论为基础,假设某些证券基本面信息对所有投资者为未知,当价格自身不能同时对信号的大小和精度提供完全信息的时候,模型显示,适当的分析工具可以从成交量数据中提取有效信息。更为有意思的是,模型说明,技术分析方法是投资者学习过程的一个自然结果。实际上没有人会单独使用技术分析方法决定股票的买卖,Goldbaum(1999)就证明,涉及基本面的条件信息集对估计股票表现有积极作用。文章首次引入两类信息来帮助估计技术分析方法的有效性,其一包含四种市场指标,即两个期限结构变量,不同风险债券的收益差,以及股票红利收益率;其二是宏观变量的条件信息集,例如生产率和货币存量。文章最重要的结论就是,在技术分析中合并考虑基本面市场信息可以提高决策过程的精确度。无疑,这不仅更符合现实,而且将是未来这个领域重要的研究方向。四对证券技术分析的实证检验技术分析工具可以分为两大类:一类是技术指标,另一类是技术图形。技术指标包括移动平均线,随机指标,相对强度指标等,技术图形则包括K线图,波浪理论,三角形,发散三角形,头肩顶等。对它们的实证检验,主要是检验在特定市场上使用这些分析工具进行投资是否能获取有效的信息和超额利润。Brock,Lakonishok和LeBaron(1992)是最早研究技术分析指标的文献之一,正是它引发了金融学界对技术分析的普遍关注。他们考察了两种简单技术交易规则—移动平均和支持/阻力线—的盈利能力。技术分析中的移动平均规则采用短期和长期两根移动平均线,短期可以是1天,5天或10天,长期则是50,150或200天。当短期移动平均向上穿越长期移动平均线时,给出买入信号;当短期移动平均向下穿越长期移动平均线时,给出卖出信号。而当价格穿越当前支持线或阻力线形成局部新低或新高时,定义为卖出或买入信号。Brock等(1992)在统计上首次采用非参数的bootstrap方法而不是传统统计方法检验上述技术指标的盈利能力,目的是获得对不同参数的所有交易规则的总体检验,并利用非参数特性兼容证券收益分布普遍存在的非正态性,自相关性和条件异方差性。一般来说,bootstrap方法就是通过一定数量的仿真得到我们感兴趣的统计量(例如均值和标准差)在特定零假设下的仿真分布,从而建立该统计量的置信区间并由此判断来自实际过程的该统计量的显著性。零假设需要依据实际情况决定,这里的研究采用了四种零假设,即随机游走,一阶自相关,GARCH和指数GARCH,其中随机游走假设可以看成等同于有效市场假设,后三个假设都通过对实际过程的运用被证明成立。采用道琼斯指数1897—1986年数据的检验结果显示,买卖信号条件收益均高度显著,而且衡量一个投资循环绩效的买卖条件收益之差高达0.93%,对应的无条件收益仅约为0.17%。买入信号单日条件收益为0.042%(或约每年12%),相应的卖出信号单日条件收益为-0.025%(或约每年-7%)。由此证明,移动平均线可以有效的预测市场走势。稍后人们可以看到这个领域的一系列深入研究,Bessembinder和Chan(1995)用几乎相同的方法检验了来自东亚6个国家和地区(泰国,马来西亚,台湾,韩国,香港和日本)的市场数据,结果与Brock等(1992)的基本类似。6个市场和所有交易规则平均来看,买入信号较卖出信号大0.095%(单日)或26.8%(年度)。较Brock等(1992)进一步,他们讨论了多大的交易成本可以抵消这样的超额利润。就所有市场和所有交易规则平均来看,抵消超额利润的交易成本如果没有交易滞后为1.57%,如果存在一天交易滞后为1.34%。考虑到实际中交易成本一般小于1%,这里的超额利润还是可以看成是显著的。但是,Bessembinder和Chan(1998)对道琼斯指数成分股1926—1991年数据的检验表明,0.39%的交易成本就可以抵消采用移动平均这样的简单交易规则带来的超额利润。这个方面最新的成果来自Kwan和Kish(2002)。他们把研究对象扩展到纽约证券交易所和NASDAQ市场价值加权指数和等权重指数。更为重要的是,他们开始考虑复杂交易策略,例如将移动平均线同成交量移动平均线结合,以及同变化率指标结合产生买卖信号。这样的思路是同人类的实际决策过程接近的。我们知道,人类的实际决策过程通常是综合考虑多种因素的,如何对其模仿,是一项复杂而艰巨的课题。他们的研究显示,不同零假设下的bootstrap分布不能完全反映市场的所有信息,技术分析工具是有用的;复杂的交易策略可以为投资管理提供获利机会。K线图用来表示某个交易日的开盘价,收盘价,最高价和最低价。在证券分析师看来,K线是预测短期走势的重要手段,例如,开盘价和收盘价之差就预示着价格走势的方向和程度。Fiess和Macdonald(2001)首次全面考察了K线图的信息含量。他们试图检验这样的假设:1.最高价和最低价可以显示供求结构变化的信息;2..变化的指令流对决定价格起重要作用。实证结果显示,基于极差(最高价-最低价)的波动率测度在提供附加信息方面优于基于收益率的波动率测度。前者能够捕获涉及市场微观结构的一些信息特性,而这些信息特性是和预示市场出现转折的信息相关联的。此外,结合收盘价、最高价和最低价的交易策略可能在价格走势和波动的预测上非常有效。Osler和Chang(1995)则首次涉及了一个著名的非线性形态--头肩顶。他们的文章试图估计几个重要的汇率市场上出现的头肩顶形态的预测能力。这里的第一个问题就是如何从原始数据中识别出特定的几何图形,他们采用了将原始图形提炼成一系列折线的办法,利用折线的端点寻找符合定义的头肩顶形态,然后可以得到图形的条件收益,并采用前面提到的bootstrap方法,通过构造仿真序列得到图形的条件收益在特定零假设下的置信区间(采用的零假设模型是随机游走和GARCH)。实证结果表明,马克和日元可以分别得到均值为0.78%和1.5%的显著的正收益。但是,加拿大元,瑞士法郎和英镑的预测能力较差。作者进一步考虑利息差和交易成本,经过调整的马克和日元平均条件收益仍达到0.68%和1.48%,且在统计上显著。Lo,Mamaysky和Wang(2000)在这个领域取得重要进展。他们引入了一套新的算法来估计和识别技术分析中复杂的非线性图形,这就是非参数核回归。其优点在于滤除噪声后能得到价格时间序列的离散数值表达,并通过简单的计算就可以找到价格时间序列的几何特征。作者证明这样的算法能成功识别十种非线性几何图形,包括头肩形态,双头或双底,三角形和矩形等。在解决模式识别问题的基础上,他们提出使用卡方拟合优度检验(chi-squaregoodness-of-fittest)以及Kolmogorov-Smirnov检验考察图形的预测能力,二者都是通过比较无条件收益分布和特定图形条件收益分布给出统计量,显著的统计量意味着特定的交易模式可以包含额外信息。此类检验能明确显示条件分布的信息含量,但不能象bootstrap方法那样测量超额收益的显著性。实证结果证实,对于卡方拟合优度检验,在纽约市场上十种图形模式中有7种的条件收益分布显著异于对应的无条件收益分布,而在NASDAQ市场上考察的所有图形模式的条件收益分布都显著异于对应的无条件收益分布;对于Kolmogorov-Smirnov检验,纽约市场上十种图形模式中的5种和NASDAQ市场上的全部图形都有显著的预测能力。Lo,Mamaysky和Wang(2000)的工作具有重要开创性,一系列拓展可以在此基础上展开,例如可以引入更先进的滤波算法;开发更精确的模式识别算法;以及设计复杂和高精度的决策程序等等。五结论近年来对证券技术分析的研究逐渐增多,它能够为证券投资决策提供附加信息,这是学界已经形成的共识。然而,什么样的投资策略能带来超额利润,如何利用这些成果指导投资决策,这些问题都等待着深入的研究;计算和统计方法也还有待进一步改进;更为关键的是,需要在超越有效市场理论的基础上,构造新的资产定价模型。参考文献Alexander,S.S.,1961,PriceMovementsinSpeculativeMarkets:TrendsorRandomWalks,IndustrialManagementReview,2,7-26.Bessembinder,H.,andKalokChan,1995,TheProfitabilityofTradingRulesintheAsianStockMarkets,Pacific-BasinFinanceJournal,3,257-284.Bessembinder,H.,andKalokChan,1998,MarketEfficiencyandtheReturnstoTechnicalAnalysis,FinancialManagement,27,Summer1998.Blume,Lawrence,DavidEasley,andMaureenO’Hara,1994,MarketStatisticsandTechnicalAnalysis:TheRoleofVolume,JournalofFinance,49,153-181.Brock,W.,JosefLakonishok,andBlakeLeBaron,1992,SimpleTechnicalTradingRulesandtheStochasticPropertiesofStockReturns,JournalofFinance,47,Dec.,1992.Brown,DavidP.,andRobertH.Jennings,OnTechnicalAnalysis,TheReviewofFinancialStudies,1,spring,1988.Fama,EugeneF.,andMarshallE.Blume,1966,FilterRulesandStock-MarketTrading,JournalofBusiness,39,226-241.Fama,EugeneF.,1970,EfficientCapitalMarket:AReviewofTheoryandEmpiricalWork,JournalofFinance,25,383-417.Fiess,N.M.,andRonaldMacdonald,2002,TowardstheFundamentalsofTechnicalAnalysis:AnalysingtheInformationContentofHigh,LowandClosePrices,EconomicModeling,19,353-374.Goldbaum,David,1999,ANonparametricExaminationofMarketInformation:ApplicationtoTechnicalTradingRules,JournalofEmpiricalFinance,6,59-85.Kwon,K.Y.,andR.J.Kish,2002a,AComparativeStudyofTechnicalTradingStrategiesandReturnPredictability:anExtensionofBrock,Lakonishok,andLeBaron(1992)UsingNYSEandNASDAQIndices,TheQuarterlyReviewofEconomicsandFinance,42,611-631.Lo,Andrew,W.,HarryMamayskyandJiangWang,2000,FoundationsofTechnicalAnalysis:ComputationalAlgorithms,StatisticalInference,andEmpiricalImplementation,JournalofFinance,55,August,2000.Osler,Carol,andKevinChang,1995,HeadandShoulders:NotJustaFlakyPattern,staffreportNo4.,FederalReserveBankofNewYork.