我国证券投资基金分类实证分析.doc

我国证券投资基金分类实证分析
刘小铭研究方向：数理经济与计量经济学

（华侨大学商学院泉州362000）

摘要：本文利用自组织特征映射（SOM）神经网络，对我国2003年10月1日前发行的54只开放式基金进行了分类，并在此基础上利用学习向量量化（LVQ）神经网络对其他基金进行归类，取得较好的效果，说明了神经网络在基金分类应中的有效性。最后利用该模型我国开放基金分类变化情况进行分析，结果显示我国的证券投资基金的绩效持续性差，但已逐步走向理性的发展方向。

关键词：神经网络基金分类绩效

一、引言

自1997年10月《证券投资基金管理暂行办法》颁布以来，我国证券投资基金业取得迅速的发展，截止2004年底，我国的证券投资基金已发展到154只。面对不断增加的基金，基金投资者的选择范围来越大，选择的难度也越来越大。因此，一个准确的基金分类是必需的，因为有效的基金分类可以帮助投资者将其资金分配到不同类别的基金中，以期达到分散风险、获得合意的收益的效果；同时，基金所属类别的变化在很大程度上反映了基金绩效持续性，这也是投资者非常关注的一个问题。
目前，对基金业绩进行分类，主要采用基金投资的标的的原则。如西班牙的证券市场全国委员会（CNMV）按照基金投资的对象及相应的比例把基金分类十类⑴，国内的中信基金评价系统将国内所有的基金分成股票基金、债券基金、混合基金、货币基金和指数基金五大类，银行证券将开放式基金分为偏股型、股债平衡型、偏债型和债券型四大类。
但是国内外一些学者研究发现，多数基金的类别与其宣称的有很大的差异。MaratheandShawky(1999)=2\*GB2⑵使用多元统计中的聚类分析方法，对美国的共同基金进行分类，发现美国43%的基金的风格与其宣称的不同。类似的结论也出现在Kim、Shukla、Thomas(2000)=3\*GB2⑶，刘煜辉和熊鹏（2003）=4\*GB2⑷的研究中。因此，学术界逐渐倾向于采用基金市场表现的相关指标对基金进行分类。
现有的根据基金市场表现相关指标对基金进行分类的方法，主要是采多元统计方法。但是，多元统计的分类准确率并不高。因此，本文拟采用在拟合数据数据方面具有很高优越性的神经网络方法对基金进行分类，所依据的指标为基金在市场上表现的几个主要指标——平均收益率、β系数、标准差、詹森系数，所有指标皆为季度数据，相关数据则来自深圳市天软科技开发有限公司的金融分析.NET数据库。

二、基于神经网络的基金分类模型

该基金分类模型首先是利用SOM神经网络对基金进行聚类；然后利用该结果训练LVQ神经网络，从而建立完整的基金分类模型。由于SOM神经网络本身无法决定聚类数目，因此，在决定最佳分类数方面采用轮廓系数算法(silhouettecoefficient)来评估。
1.SOM神经网络
SOM神经网络是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出的类似大脑思维的一种人工神经网络方法，它是一种竞争学习算法，可以被认为是一种从N维模式空间各点到输出空间少数点的映射。这一映射由系统本身完成，没有外部的监督，即聚类是以自组织的方式实现的。SOM采用无监督方式训练，训练完成后，分类信息存储在网络各节点连接权值向量中，与权值向量相似的输入向量将分为一类。具体算法见=5\*GB2⑸。
2.轮廓系数(silhouettecoefficient)
由于SOM采用无监督方式训练，无法事先确定分类的数目，因此必须采用某种分类效果的参数进行评价。本文采用常用的轮廓系数（Kaufman，Rousseeuw1990）=6\*GB2⑹来评估SOM网络的分类效果。在计算轮廓系数时，先考虑在各个分类数k下，每个点(样本)分到适当的类中的效率，然后把对求平均值，的值越接近1说明把样本分成k类的效果越好。某个点的计算方法如下：记a为点i与所在类中其它点的平均距离，记b为点i与最接近点i所在类的类中各点的平均距离，则当时，，当时，，一般来说第二种情况是不会出现的。的取值范围聚类效果关系如表1.
轮廓系数聚类效果0.71-1.00分类是高效率的、令人信服0.51-0.71分类合理0.26-0.50分类缺乏说服力≤0.25没有任何实际的分类表1.轮廓系数与聚类效果关系=7\*GB2⑺
3.LVQ神经网络
LVQ神经网络是相当新的类神经网络模式，自1988年Kohonen提出此模式以来，由于这种网络学习速度比倒传递网络(BPN)快，而且可以提高SOM网络识别的正确论，因此颇受重视。LVQ分类器可以将输入空间分成几个不相交的区域。当有足够的输入矢量和适当数目的参考矢量时，LVQ的分类边界最终会逼近最佳贝叶斯决策边界。LVQ神经网络主要LVQ1和LVQ2两种算法，一般情况下两种算法得出的