基于遗传算法的任意指数化组合套期保值效果研究

发布时间：2019-04-22 10:49

【摘要】：金融危机,让很多跟风进入市场的投资者陷入了漫漫套牢长路。期盼着2009年牛市持续得以解套,可惜牛市行情短暂,接下来是三年熊市的折磨和等待。不管是股票被套四年还是三年抑或更短的时间,都给投资者对市场的信心造成了很大的冲击,证券公司也因此出现了很多长期未发生交易的“无效账户”。在这样一个市场背景下,笔者了解到即使预期市场未来是下跌行情,大部分被套牢的投资者都不愿意承受亏损而斩仓场,此时投资者的持仓将面临极大的市场风险。由于股指期货的存在,理论上投资者可以卖空股指期货对持仓进行锁仓。但是,锁仓成功与否的关键在于股票与股指期货的价格相关性,相关性低的股票就很难通过股指期货的反向操作成功锁仓,这类型的持仓在预期市场下跌时面临很大的风险敞口。基于这样的前提,笔者设想通过投资者全部持仓头寸的某种线性组合,尽量拟合期货标的指数,使得指数化后组合与指数走势尽可能一致,从而达到反向交易股指期货合约对冲组合整体风险这一目的。持仓头寸的某种线性组合,实际上就是在既定股票组合下最小化组合的指数追踪误差。理论上,无论持仓股票组合与指数的相关性如何,但经过权重优化分配处理后,总能找到一个使得持仓组合的整体走势最大可能的贴近指数走势的比例。不过,若组合中股票与指数相关性全都很低,则该指数化后的组合与指数相关性也不会很高,因此本文暂时不能给这类投资者提供相应的对冲方案。本文选取持仓组合股票的基本约束条件是：(1)、要求组合中至少有一只股票与指数相关性较高,即0.8或以上。(2)、由于中国市场目前只有沪深300股指期货合约,因此用于对冲组合风险的期货合约标的物是沪深300股票指数,沪深300指数反映的是A股的市场走势情况,因此笔者还要求组合中的股票全部来自A股市场。已有的指数化投资都是基于成分股或其他与指数相关性较高的股票组合,而本文的研究创新点则在于本文所选取的研究对象是有基本约束的任意股票组合。本文首先选择组合追踪指数的优化方式。范旭东(2006)比较了聚类分析与遗传算法追踪指数的效果,得出遗传算法追踪指数效果更优这一结论。研究发现数据挖掘方法的指数化拟合效果更好,武金存(2011)的实证研究表明,不同类型的数据挖掘方法的组合指数化拟合效果无法判断优劣,因此选择任意一种数据挖掘方法实质上并没有区别。遗传算法进行解空间的多点搜索,不断的遗传进化避免由于解空间既定而陷入局部的最优解。根据遗传算法的原理,当满足某个要求时,遗传算法可得到全局最优解。基于遗传算法对最优解的搜索能力,本文选择遗传算法优化股票组合的分配权重,使得组合追踪指数误差最小化,优化权重后的组合称作指数化组合。本文得到的指数化组合与沪深300指数走势较一致,样本内收益率相关系数达到0.922,样本外相关系数也达到0.827。因此指数化组合满足套期保值的前提要求。为了使得研究过程更加严谨,本文接着比较基于Copula-GARCH模型的CVaR值来研究指数化组合套期保值可行性,结果发现含股指期货反向对冲的指数化组合市场风险比单纯的指数化组合低,因此说明指数化组合的套期保值可行。最后,本文通过最小化风险框架下的计量模型估计指数化组合的最优套保比,考察指数化组合的套期保值效果。综合考察CVaR值和指数化组合的套保效果,说明通过遗传算法优化权重的指数化组合套保有效,即预期市场下跌,此指数化组合可以实现成功锁仓。第一章首先陈述了文章的选题背景及选题意义,接着介绍了本文的研究方法及结构安排。基于本文的研究目的是探索投资者被套股票组合指数化的套期保值可行性及其效果,因此本文的研究方法是探索性研究,基于一定的设想逐步实现并考察效果。第二章对本文涉及的相关模型进行综述。分别有：追踪指数方法综述,度量投资组合风险方面的综述,以及期货最优套期保值比率估计方法综述。第三章是沪深300指数期货市场及其功能的介绍。第四章对套期保值理论及最优套期保值比率估计模型进行了系统的介绍。首先介绍了套期保值及其应用原理,然后是套期保值理论及其发展,并给出了不同框架下的最优套期保值估计模型,他们分别是最小化风险框架下的最优套期保值模型、最大化效用框架下的最优套期保值模型以及均衡风险和收益框架下的套期保值模型。第五章是本文的重点部分,主要工作是模型的构建和实证分析。该部分基于遗传算法构建积极指数化组合,首先介绍了追踪指数的方法,分为完全复制和优化复制两种,本文选择的是基于遗传算法的优化复制。接着介绍遗传算法的基本原理,其后是本文的模型构建,最后是实证分析。在研究“任意”股票组合指数追踪优化配置之后,考察了股指期货套期保值的可行性及效果。任意性意味着对组合中的股票与期货的相关系数要求不高,这个任意性也是本文的创新所在。按照前文给出的规则,选择十只股票,同时选取2012年1月4日至2012年12月31日共236个沪深300指数每日收盘价作为优化样本。使用遗传算法优化后的指数化组合样本内最小追踪误差为7.91%。样本内指数化组合收益率与沪深300指数收益率相关系数高达为0.922。接着用样本外2013年1月4日至2013年3月8日共41个数据测试指数化组合拟合指数效果,组合跟踪误差为5.88%,相关系数为0.827。这些都说明经遗传算法优化权重的指数化组合可以很好的追踪沪深300指数。既然指数化组合能够很好的拟合沪深300指数走势,接着第六章通过比较套期保值的指数化组合与未套期保值的指数化组合CVaR值,研究指数化组合套期保值可行性。该部分首先介绍用于计算CVaR值和VaR值的模型构建。先分别介绍拟合资金边缘分布的TGARCH(1,1)模型和用于描述资产尾部特征的极值理论以及度量资产相关性的Copula函数,最后介绍用于模型计算CVaR及VaR的蒙特卡洛模拟过程。模型构建完毕后,是本章的实证部分。实证数据的样本区间是2012年1月4日-2013年2月8日。为了标准化残差序列,首先用TGARCH(1,1)模型拟合各个股票及期货收益率序列,然后用GPD描述序列的尾部特征,再根据估计的Copula模型,运用蒙特卡罗模拟方法分别计算套保和未套保的指数化组合CVaR值。根据传统套期保值理论,套保比率确定为1。比较两个组合的CVaR值后发现,利用套期保值后的组合各项风险指标都比未进行套保的组合低,说明股指期货对冲了组合中的一部分市场风险,利用股指期货进行套期保值交易能够降低指数化组合的市场风险,说明指数化组合的套保具备可行性。由第六章结论,指数化组合的套期保值操作具备可行性,第七章将通过不同模型估计最优套期保值比率,研究指数化组合的套期保值效果。本章首先介绍由Ederington (1979)提出的OLS模型,接着是由OLS模型推广而来的ECM模型,以及ECM-BGARCH模型,然后介绍不同模型套期保值效果的评价方式,最后是基于上述模型的实证分析部分。单从风险角度分析,与未套保的指数化组合比,套期保值后的组合风险并没有降低,这和第六章评价套保可行性得出的套保能降低指数化组合风险结论不一致的,文末对此给出了解释。而从收益风险比角度分析组合套保效果,发现ECM-GARCH方向下的ECM-CCC-GARCH模型和ECM-BEKK-GARCH模型估计最优套保比率使组合的套期保值有效。综合考察CVaR值和指数化组合的套保效果,说明通过遗传算法优化权重的指数化组合套保有效,即预期市场下跌,此指数化组合可以实现成功锁仓。股指期货推出后,指数化投资是金融产品创新的热点。本文从实际需求出发,首次探索任意股票组合,加入股指期货对冲组合风险的可行性及效果。本文最后一章对全文做出总结。通过CVaR值考察指数化组合套期保值可行性和通过套保比率考察指数化组合的套保效果后,得出遗传算法优化权重的该指数化组合套保有效,即预期市场下跌,此指数化组合可以实现成功锁仓。因此,当面临较大市场风险,苦于持仓股票与期货相关性不高而无法做套保的投资者,不妨考虑本文提出的资产配置优化方式。当然,追踪指数的方法不仅仅只有遗传算法,有需求者可以根据实际情况选择适合的指数追踪方法。
[Abstract]:......
【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：F832.51;TP18

【参考文献】