开放式股票型基金的仓位预测研究.docx

开放式股票型基金的仓位预测研究【摘要】公募基金仓位是机构投资者对市场的预期也是投资者判断后市走向的指标其增减仓动作一直受到投资者的高度关注。本文在比较各种仓位预测方法后选择基于数据挖掘的BP神经网络作为建模方法收集华夏基金年报仓位数据利用数据挖掘技术分析选择出相关性最优的变量在MATLAB中设计优化出基金仓位预测模型简化网络结构提高预测精度并证明了神经网络在投资风格预测中的有效性和普适性。【关键词】基金仓位；神经网络；投资风格一、引言公募基金行业作为我国迅猛发展的金融理财行业规模不断扩大投资者队伍迅速壮大。基金仓位反映市场信心可以作为投资者判断后市走向的重要指标。对基金仓位的预测一直是学术界和投资者感兴趣的问题之一具有实际应用价值。对于关于基金仓位预测模型的研究目前国内还局限于传统线性回归方法前提假设过于苛刻忽略了很多影响仓位的动态因素造成无法容忍的误差。目前公募基金的仓位数据仅在每年发布的定期报告中有所体现但是按照年报频率公布的基金仓位并不能作为一个连续的后市预期指标我们希望能够得到即时基金仓位帮助投资者规避风险。本文运用神经网络建立仓位预测模型利用现有基金市场行为的样本从中自主寻找规律逼近复杂的仓位走势曲线达到更好的预期效果。二、基金仓位预测方法综述目前关于基金仓位预测的方法主要包括以下三种。1.基于收益的基金仓位分析方法是以夏普在1992年提出的基于收益的基金投资风格分析理论为基础通过对基金收益与市场风格指数涨跌幅进行统计计算估算出基金在不同风格资产上的配置比例从而获得基金投入股市的仓位值。该方法可以在一个中观的维度上为基金投资者提供较为长期的和可持续的投资建议但是在回归过程中存在多重共线问题可能产生较大的参数估计标准差使得预测误差较大。2.传统的线性预测模型经历了三个发展阶段由于理论和算法的创新测算准确性也有了明显提高。第一阶段的模型将样本基金收益率均值除以基准指数收益率得到基金平均仓位其过程简单处理步骤少但是测算结果跳跃性较大并且对基金市场指数的选取依赖性强。第二阶段的模型对基金收益、市场指数收益时间序列数据进行回归测算初步消除了第一阶段模型的噪声但是回归期限过长或过短都会对仓位测算结果带来较大的误差且固定的回归期限使测算与实际结果之间产生时滞。第三阶段的模型对单只基金与其基准的收益序列进行动态回归通过对回归期限的动态调整实现仓位测算工作的智能化和自动化由于测算的样本是基金仓位数据的云重心因此能有效消除了前两个阶段测算模型带来的系统误差。3.非线性数据挖掘分析法是直接对基金持股情况进行数据挖掘深入剖析基金组合中各类别资产的增持减持情况依据对基金行业资产的中观分析最终实现对基金大类资产仓位的宏观分析。此测算模型打破了RSV法仅仅依据收益数值来进行测算、结果不具可对比性的缺陷引入收益分布、波动率等多个指标动态测算各分类资产相应指标对基金该指标的贡献度提高了测算的可对比度过滤了单一指标会引起系统性误差的缺陷并引入因子分析、聚类分析、最优化等方法进一步提高计算结果的精确性。本文将结合基于收益的基金仓位分析方法和非线性数据挖掘分析法借鉴基金仓位测算模型回归方法中的自变量取值和影响因素运用非线性系统分析法中的BP神经网络建立仓位预测模型。三、基于BP神经网络的仓位模型构建1.影响基金仓位变动的主要因素本文选取的基金仓位是基于基金投入股市的资金市值和基金总资产现值因此所有会影响股票价格和基金价格的因素都会影响基金仓位的变动并且各因素之间的相互作用也会对基金仓位产生影响。从基金净值方面考虑基金总资产的现值与基金交易价格密切相关。影响基金净值的因素包括三个方面即基金单位资产净值、基金市场的活跃程度和银行存款利率。其他各种政治、经济和人文因素例如外汇市场汇率变化、资金市场利率变化、投资者的心理因素也会影响仓位。这些数据在基金定期报告中具体表现为：期末基金份额净值、基金市值、期末基金资产净值、基金收益率、基金单位交易开盘价、基金持股集中度、基金的持仓行业集中度收市基金指数、基金换手率、基金折价率、居民价格消费指数、银行利率。从股票市场价格方面考虑股票的市场价格最直接的影响因素是供求关系市场内部因素、基本面因素和政策因素通过作用于供求关系而影响股票价格。具体表现为基金持有股票组合的收益率、股票市值增长率持有股票的开盘价、最高价、最低价、成交量、收盘价及MACD、KDJ、RSI、PSY技术分析指标。2.因素相关性分析及边界划分结合数据特征本文选取2008年10月1日至2012年10月1日时间段在此期间已经历过金融危机国内经济缓慢复苏宏观政策调控没有巨大变化