現(xiàn)代金融學對證券技術分析的研究
現(xiàn)代金融學對證券技術分析的研究一 引言 所謂證券技術分析,就是運用證券歷史價格和成交量序列形成的特定的圖形模式,預測證券價格的未來走向,這顯然是和我們熟知的有效市場假設(EMH)相矛盾的。有效市場理論強調當前已包含了所有公開信息,而未來價格是不可預測的(Fama(1970)),但自70年代開始,就逐步有理論和實證研究對其提出挑戰(zhàn),包括一月效應,星期效應,小公司效應和賬面-市價比效應(Book-to-Market Effect)等現(xiàn)象的發(fā)現(xiàn),顯示市場上有可能出現(xiàn)系統(tǒng)性賺取超額利潤的機會,這很自然地激起了學界研究證券技術分析有效性的興趣。 二 證券技術分析的早期研究 目前我們所知的這個領域的最早的文獻是Alexander(1961)。他采用了一種最簡單的技術指標作為決策依據(jù):如果股票價格從某一低位上升至少x%,買入并持有該股票;當價格從隨后的高位下跌至少x%時,賣掉股票并等待下一個買入信號。他宣稱采用道瓊斯工業(yè)平均指數(shù)和標準普爾指數(shù)檢驗的結果,這樣的策略較之簡單的買入-持有策略能帶來顯著的利潤。 但隨后,F(xiàn)ama和Blume(1966)發(fā)現(xiàn),Alexander的研究沒有考慮公司分紅的效應和交易成本。采用經(jīng)股利調整的道瓊斯指數(shù)成份股價格序列,他們證明上述的交易策略不會優(yōu)于簡單的買入-持有策略,即使0.1%的交易成本也足以耗盡由上述交易策略帶來的利潤。 Jensen和Benington(1970)的研究使用了更接近于實際的交易策略,即相對強度策略。所謂相對強度,定義為當前價格與27周平均價格之比,等量投資于前x%相對強度最大的那些股票,在t 周后重新計算所有股票的相對強度,并調整投資組合,即確保投資組合中的股票相對強度始終處于前x%。采用紐約交易所上市公司數(shù)據(jù),他們的研究沒有發(fā)現(xiàn)超過買入-持有策略的利潤,而且相應的風險水平較高。 早期對證券技術分析的研究有以下特點:1. 爭論的焦點一直就是當前價格是否集合料所有的公開信息,但在當時,信息還是個“原子式”的概念,還要過十年,人們才開始在時間和空間兩個方向上建立信息的結構和相應的分析框架。2. 由于當時模式識別技術也才剛剛起步,研究中無法考慮較為復雜的圖形模式。3. 除與買入-持有策略相比較外,竟然學研究中還缺少描述技術分析指標的預測能力和盈利能力的統(tǒng)計方法,這些手段通常需要的大容量計算機也還沒有出現(xiàn)。 三 探索證券技術分析的理論基礎 隨著信息經(jīng)濟學的發(fā)展,研究人員逐漸認識到當前價格不是所有私人信息的完美集合。例如,如果當前價格同時受到不可觀測的股票供給以及市場參與者私人信息的影響,那么它自身就不可能對私人信息提供充分的估計。因此,市場參與者在形成他們的需求時,除使用價格外,還會使用各自的私人信息。此外,當前價格中包含的噪音也使價格不可能完全揭示過往的私人信息。我們從而可以很自然地得出這樣的命題:歷史價格能有效地幫助投資決策,以此為出發(fā)點的一些模型逐漸揭示了證券技術分析的理論依據(jù)。 Brown和Jennings(1989)就是這樣一個二階段含噪音理性預期模型。在他們的模型里,投資者每一階段的私人信息都是不相關的,而且每一階段的股票供給都會變化。他們證明:第一階段的價格有助于估計整個信息集,它不受第二階段公開信息和噪音的影響;對于信號均值,聯(lián)合考慮兩個階段價格的推斷嚴格優(yōu)于獨立使用第一或第二階段價格的推斷。顯然,這樣的市場在Fama(1970)意義上是無效率的。 我們知道,多數(shù)技術分析師是十分重視成交量信息的,在實踐中,他們都會同時根據(jù)價格和成交量過往信息作出判斷。Blume,Easley和O’Hara(1994)就成功解釋了成交量對投資決策的作用。他們的模型以市場微觀結構理論為基礎,假設某些證券基本面信息對所有投資者為未知,當價格自身不能同時對信號的大小和精度提供完全信息的時候,模型顯示,適當?shù)姆治龉ぞ呖梢詮某山涣繑?shù)據(jù)中提取有效信息。更為有意思的是,模型說明,技術分析方法是投資者學習過程的一個自然結果。 實際上沒有人會單獨使用技術分析方法決定股票的買賣,Goldbaum(1999)就證明,涉及基本面的條件信息集對估計股票表現(xiàn)有積極作用。文章首次引入兩類信息來幫助估計技術分析方法的有效性,其一包含四種市場指標,即兩個期限結構變量,不同風險債券的收益差,以及股票紅利收益率;其二是宏觀變量的條件信息集,例如生產(chǎn)率和貨幣存量。文章最重要的結論就是,在技術分析中合并考慮基本面市場信息可以提高決策過程的精確度。無疑,這不僅更符合現(xiàn)實,而且將是未來這個領域重要的研究方向。 四 對證券技術分析的實證檢驗 技術分析工具可以分為兩大類:一類是技術指標,另一類是技術圖形。技術指標包括移動平均線,隨機指標,相對強度指標等,技術圖形則包括K線圖,波浪理論,三角形,發(fā)散三角形,頭肩頂?shù)。對它們的實證檢驗,主要是檢驗在特定市場上使用這些分析工具進行投資是否能獲取有效的信息和超額利潤。 Brock, Lakonishok 和 LeBaron (1992) 是最早研究技術分析指標的文獻之一, 正是它引發(fā)了金融學界對技術分析的普遍關注。他們考察了兩種簡單技術交易規(guī)則—移動平均和支持/阻力線—的盈利能力。技術分析中的移動平均規(guī)則采用短期和長期兩根移動平均線,短期可以是1天,5天或10天,長期則是50,150或200天。當短期移動平均向上穿越長期移動平均線時,給出買入信號;當短期移動平均向下穿越長期移動平均線時,給出賣出信號。而當價格穿越當前支持線或阻力線形成局部新低或新高時,定義為賣出或買入信號。 Brock等(1992)在統(tǒng)計上首次采用非參數(shù)的bootstrap方法而不是傳統(tǒng)統(tǒng)計方法檢驗上述技術指標的盈利能力,目的是獲得對不同參數(shù)的所有交易規(guī)則的總體檢驗,并利用非參數(shù)特性兼容證券收益分布普遍存在的非正態(tài)性,自相關性和條件異方差性。一般來說,bootstrap方法就是通過一定數(shù)量的仿真得到我們感興趣的統(tǒng)計量(例如均值和標準差)在特定零假設下的仿真分布,從而建立該統(tǒng)計量的置信區(qū)間并由此判斷來自實際過程的該統(tǒng)計量的顯著性。零假設需要依據(jù)實際情況決定,這里的研究采用了四種零假設,即隨機游走,一階自相關,GARCH和指數(shù)GARCH,其中隨機游走假設可以看成等同于有效市場假設,后三個假設都通過對實際過程的運用被證明成立。 采用道瓊斯指數(shù)1897—1986年數(shù)據(jù)的檢驗結果顯示,買賣信號條件收益均高度顯著,而且衡量一個投資循環(huán)績效的買賣條件收益之差高達0.93%,對應的無條件收益僅約為0.17%。買入信號單日條件收益為0.042%(或約每年12%),相應的賣出信號單日條件收益為-0.025%(或約每年-7%)。由此證明,移動平均線可以有效的預測市場走勢。 稍后人們可以看到這個領域的一系列深入研究,Bessembinder和Chan (1995) 用幾乎相同的方法檢驗了來自東亞6個國家和地區(qū)(泰國,馬來西亞,臺灣,韓國,香港和日本)的市場數(shù)據(jù),結果與Brock等(1992)的基本類似。6個市場和所有交易規(guī)則平均來看,買入信號較賣出信號大0.095%(單日)或26.8%(年度)。較Brock等(1992)進一步,他們討論了多大的交易成本可以抵消這樣的超額利潤。就所有市場和所有交易規(guī)則平均來看,抵消超額利潤的交易成本如果沒有交易滯后為1.57%,如果存在一天交易滯后為1.34%?紤]到實際中交易成本一般小于1%,這里的超額利潤還是可以看成是顯著的。但是,Bessembinder和Chan (1998) 對道瓊斯指數(shù)成分股1926—1991年數(shù)據(jù)的檢驗表明,0.39%的交易成本就可以抵消采用移動平均這樣的簡單交易規(guī)則帶來的超額利潤。 這個方面最新的成果來自Kwan和Kish (2002)。他們把研究對象擴展到紐約證券交易所和NASDAQ市場價值加權指數(shù)和等權重指數(shù)。 更為重要的是,他們開始考慮復雜交易策略, 例如將移動平均線同成交量移動平均線結合,以及同變化率指標結合產(chǎn)生買賣信號。這樣的思路是同人類的實際決策過程接近的。我們知道,人類的實際決策過程通常是綜合考慮多種因素的, 如何對其模仿,是一項復雜而艱巨的課題。他們的研究顯示,不同零假設下的bootstrap分布不能完全反映市場的所有信息,技術分析工具是有用的;復雜的交易策略可以為投資管理提供獲利機會。 K線圖用來表示某個交易日的開盤價,收盤價,最高價和最低價。在證券分析師看來,K線是預測短期走勢的重要手段,例如,開盤價和收盤價之差就預示著價格走勢的方向和程度。Fiess和Macdonald(2001)首次全面考察了K線圖的信息含量。他們試圖檢驗這樣的假設:1. 最高價和最低價可以顯示供求結構變化的信息;2.. 變化的指令流對決定價格起重要作用。實證結果顯示,基于極差(最高價-最低價)的波動率測度在提供附加信息方面優(yōu)于基于收益率的波動率測度。前者能夠捕獲涉及市場微觀結構的一些信息特性,而這些信息特性是和預示市場出現(xiàn)轉折的信息相關聯(lián)的。此外,結合收盤價、最高價和最低價的交易策略可能在價格走勢和波動的預測上非常有效。 Osler和Chang(1995)則首次涉及了一個著名的非線性形態(tài)--頭肩頂。他們的文章試圖估計幾個重要的匯率市場上出現(xiàn)的頭肩頂形態(tài)的預測能力。這里的第一個問題就是如何從原始數(shù)據(jù)中識別出特定的幾何圖形,他們采用了將原始圖形提煉成一系列折線的辦法,利用折線的端點尋找符合定義的頭肩頂形態(tài),然后可以得到圖形的條件收益,并采用前面提到的bootstrap方法,通過構造仿真序列得到圖形的條件收益在特定零假設下的置信區(qū)間(采用的零假設模型是隨機游走和GARCH)。實證結果表明,馬克和日元可以分別得到均值為0.78%和1.5%的顯著的正收益。但是,加拿大元,瑞士法郎和英鎊的預測能力較差。作者進一步考慮利息差和交易成本,經(jīng)過調整的馬克和日元平均條件收益仍達到0.68%和1.48%,且在統(tǒng)計上顯著。 Lo,Mamaysky和Wang(2000)在這個領域取得重要進展。他們引入了一套新的算法來估計和識別技術分析中復雜的非線性圖形,這就是非參數(shù)核回歸。其優(yōu)點在于濾除噪聲后能得到價格時間序列的離散數(shù)值表達,并通過簡單的計算就可以找到價格時間序列的幾何特征。作者證明這樣的算法能成功識別十種非線性幾何圖形,包括頭肩形態(tài),雙頭或雙底,三角形和矩形等。在解決模式識別問題的基礎上,他們提出使用卡方擬合優(yōu)度檢驗(chi-square goodness-of-fit test)以及 Kolmogorov- Smirnov 檢驗考察圖形的預測能力, 二者都是通過比較無條件收益分布和特定圖形條件收益分布給出統(tǒng)計量,顯著的統(tǒng)計量意味著特定的交易模式可以包含額外信息。此類檢驗能明確顯示條件分布的信息含量,但不能象bootstrap方法那樣測量超額收益的顯著性。實證結果證實,對于卡方擬合優(yōu)度檢驗,在紐約市場上十種圖形模式中有7種的條件收益分布顯著異于對應的無條件收益分布,而在NASDAQ市場上考察的所有圖形模式的條件收益分布都顯著異于對應的無條件收益分布;對于Kolmogorov- Smirnov 檢驗,紐約市場上十種圖形模式中的5種和NASDAQ市場上的全部圖形都有顯著的預測能力。 Lo,Mamaysky和Wang(2000)的工作具有重要開創(chuàng)性,一系列拓展可以在此基礎上展開,例如可以引入更先進的濾波算法;開發(fā)更精確的模式識別算法;以及設計復雜和高精度的決策程序等等。 五 結論 近年來對證券技術分析的研究逐漸增多,它能夠為證券投資決策提供附加信息,這是學界已經(jīng)形成的共識。然而,什么樣的投資策略能帶來超額利潤,如何利用這些成果指導投資決策,這些問題都等待著深入的研究;計算和統(tǒng)計方法也還有待進一步改進;更為關鍵的是,需要在超越有效市場理論的基礎上,構造新的資產(chǎn)定價模型。 參考文獻 Alexander, S. S., 1961, Price Movements in Speculative Markets: Trends or Random Walks, Industrial Management Review, 2, 7-26. Bessembinder, H., and Kalok Chan, 1995, The Profitability of Trading Rules in the Asian Stock Markets, Pacific-Basin Finance Journal, 3, 257-284. Bessembinder, H., and Kalok Chan , 1998 , Market Efficiency and the Returns to Technical Analysis, Financial Management, 27, Summer 1998. Blume, Lawrence, David Easley, and Maureen O’Hara, 1994, Market Statistics and Technical Analysis: The Role of Volume, Journal of Finance, 49, 153-181. Brock, W., Josef Lakonishok, and Blake LeBaron, 1992, Simple Technical Trading Rules and the Stochastic Properties of Stock Returns, Journal of Finance, 47, Dec.,1992. Brown, David P., and Robert H.Jennings, On Technical Analysis, The Review of Financial Studies, 1, spring, 1988. Fama, Eugene F., and Marshall E.Blume, 1966, Filter Rules and Stock-Market Trading, Journal of Business, 39, 226-241. Fama, Eugene F., 1970, Efficient Capital Market : A Review of Theory and Empirical Work, Journal of Finance, 25, 383-417. Fiess, N.M., and Ronald Macdonald, 2002, Towards the Fundamentals of Technical Analysis: Analysing the Information Content of High, Low and Close Prices, Economic Modeling, 19, 353-374. Goldbaum, David, 1999, A Nonparametric Examination of Market Information: Application to Technical Trading Rules, Journal of Empirical Finance, 6, 59-85. Kwon, K.Y., and R.J.Kish, 2002a, A Comparative Study of Technical Trading Strategies and Return Predictability: an Extension of Brock, Lakonishok, and LeBaron (1992) Using NYSE and NASDAQ Indices, The Quarterly Review of Economics and Finance, 42, 611-631. Lo, Andrew, W., Harry Mamaysky and Jiang Wang , 2000 , Foundations of Technical Analysis : Computational Algorithms, Statistical Inference, and Empirical Implementation, Journal of Finance, 55, August, 2000. Osler, Carol, and Kevin Chang, 1995, Head and Shoulders: Not Just a Flaky Pattern, staff report No 4., Federal Reserve Bank of New York.
|