- 相關(guān)推薦
基于成交量標(biāo)度的股價動力學(xué)分析
基于成交量標(biāo)度的股價動力學(xué)分析
摘要 傳統(tǒng)的基于時間標(biāo)度的股價動力學(xué)分析方法缺乏考慮成交量的重要作用，本文在股價調(diào)整的成交量進(jìn)程時間假設(shè)下，提出基于成交量標(biāo)度的股價動力學(xué)分析方法。通過對上證綜合指數(shù)的實(shí)證研究，結(jié)果表明基于成交量標(biāo)度的股價動力學(xué)分析方法的可行性和有效性。
關(guān)鍵詞 成交量標(biāo)度 成交量進(jìn)程時間假設(shè) 股價
1 引言
長期以來，成交量一直被金融實(shí)務(wù)界看作影響價格變動的重要因素，它是交易者從市場上能觀察到的除了價格之外的另一重要變量。交易者從成交量中獲取信息進(jìn)行學(xué)習(xí)，并據(jù)此制定交易策略。在金融理論上，成交量與股價變動絕對值之間呈正相關(guān)關(guān)系，成交量影響股票收益率的自相關(guān)性、互自相關(guān)性和慣性效應(yīng)，成交量已作為金融或宏觀經(jīng)濟(jì)事件的“信息含量”的一種度量方法。
但是，傳統(tǒng)的基于時間標(biāo)度的股價動力學(xué)模型卻很少考慮成交量在股價分析中的重要作用，而且基于時間標(biāo)度的股價模型都要一個隱含的假設(shè)：股票價格的調(diào)整是基于固定的日歷時間間隔推進(jìn)的。而實(shí)際上，股價的推進(jìn)是按它自己的交易時間進(jìn)行的，本文在股價調(diào)整的成交量進(jìn)程時間假設(shè)的基礎(chǔ)上，提出基于成交量標(biāo)度的股價動力學(xué)分析的基本思想和基本方法，并通過對上證綜合指數(shù)的實(shí)證研究證實(shí)了基于成交量標(biāo)度的股價動力學(xué)分析方法的可行性和有效性。
2 成交量進(jìn)程時間假設(shè)
2.1 成交量進(jìn)程時間假設(shè)
我們都是以固定的日歷時間間隔記錄經(jīng)濟(jì)世界和金融市場中的經(jīng)濟(jì)變量，比如宏觀經(jīng)濟(jì)統(tǒng)計(jì)中的GDP年增長率，消費(fèi)價格指數(shù)月變化率，金融市場中的股票價格的日收盤價。對這些金融經(jīng)濟(jì)變量的傳統(tǒng)的時間序列分析都有一個隱含的假設(shè)：這些變量是以固定的日歷時間進(jìn)程推進(jìn)的。但是，大量的研究發(fā)現(xiàn)，這些經(jīng)濟(jì)變量并不是以固定的日歷時間進(jìn)程推進(jìn)的，而是以它自己的經(jīng)濟(jì)時間推進(jìn)的。比如，經(jīng)濟(jì)周期就是一個獨(dú)立的經(jīng)濟(jì)時間單位，即有關(guān)經(jīng)濟(jì)周期的變量的推進(jìn)模式是從一個周期的一個階段進(jìn)入下一個階段，而不是從一個月到下一個月。由于各個經(jīng)濟(jì)周期的時間長度不同，所以分析這些周期行為的合適的時間刻度不能基于月、季、年或者其它日歷時間刻度，而應(yīng)該是經(jīng)濟(jì)周期本身[1]。
對于股票價格的研究，目前也都是使用固定的日歷時間間隔記錄的數(shù)據(jù)，即使是成交層次的數(shù)據(jù)，其時間間隔也是固定的，只不過從日頻率變?yōu)樾r、分鐘而已。所以目前的股價的時間序列分析也都有一個隱含的假設(shè)：股票價格的調(diào)整是以固定的日歷時間間隔推進(jìn)的。但許多研究發(fā)現(xiàn)，股票價格的變化與市場上的信息有很大的關(guān)系，股票價格的調(diào)整并不是以我們記錄數(shù)據(jù)用的固定的日歷時間進(jìn)程推進(jìn)的，不是從這一日到下一日，從這一周到下一周，它也存在自己獨(dú)立的時間推進(jìn)進(jìn)程，比如信息流進(jìn)程[2、3]。
正如華爾街上的諺語所說的，成交量推動股價的前進(jìn)（It takes volume to move prices），股價的調(diào)整是按照成交量進(jìn)程推進(jìn)的，我們把這稱為成交量進(jìn)程時間假設(shè)。
2.2 成交量進(jìn)程時間假設(shè)的數(shù)學(xué)刻劃
在成交量進(jìn)程時間假設(shè)下，令成交量進(jìn)程時間刻度為，日歷時間刻度為，日歷時間與成交量進(jìn)程時間的轉(zhuǎn)換式為。假設(shè)基于日歷時間點(diǎn)觀察到的變量表示成，可觀察的離散日歷時間變量表達(dá)成＝。則稱為對應(yīng)于日歷時間到這段時期內(nèi)的成交量進(jìn)程時間長度，稱為成交量進(jìn)程時間轉(zhuǎn)換函數(shù)。通常假設(shè)滿足下面幾個條件：
（1）不依賴于將來的值；
（2）成交量進(jìn)程時間和日歷時間以相同方向推進(jìn)， ，；
（3）可辨識，特別地，只是簡單的時間線性轉(zhuǎn)換函數(shù)是不合適的，因?yàn)闀r間線性轉(zhuǎn)換只是對日歷時間重新標(biāo)定，如把季度轉(zhuǎn)換成年。
（4）一般令，另外，在實(shí)證研究中令其均值為1，，這樣一個單位的成交量進(jìn)程時間平均對應(yīng)于一個單位的日歷時間。
（5）為了參數(shù)估計(jì)的方便，假設(shè)轉(zhuǎn)換函數(shù)為連續(xù)的。
在成交量進(jìn)程時間假設(shè)下，記：
（1）
其中：為時刻的成交量。
滿足上面5個條件的函數(shù)很多，不同的函數(shù)對應(yīng)不同的成交量進(jìn)程時間假設(shè)。特別地，當(dāng)時，即為傳統(tǒng)的日歷時間假設(shè)。
在下面的實(shí)證研究中，我們采用簡單的成交量進(jìn)程時間線性轉(zhuǎn)換函數(shù)：
（2）
其中：為一常數(shù)；。
為了滿足，我們?nèi)�，即取的最小值為�?shí)證樣本區(qū)間內(nèi)最大成交量與最小成交量比率的倒數(shù)，大于零且遠(yuǎn)遠(yuǎn)小于1。這樣，我們求得：
式（2）所表示的成交量進(jìn)程時間轉(zhuǎn)換函數(shù)，可滿足上面提出的5個條件。
3 基于成交量標(biāo)度的股價動力學(xué)分析
基于成交量標(biāo)度的股價動力學(xué)分析的基本思想
3.1.1 傳統(tǒng)的基于時間標(biāo)度的股價動力學(xué)
在金融市場中，有三個最基本的要素：時間、價格和成交量。對于這三個要素，時間為一個標(biāo)度，用于記錄價格和成交量，價格和成交量隨著時間的前進(jìn)而推進(jìn)。通過時間的標(biāo)度，我們得到兩個時間序列（基于時間標(biāo)度的序列）：價格序列和成交量序列。目前所有的理論研究和實(shí)務(wù)分析，圍繞著這兩個序列可分成三類：①單獨(dú)研究價格序列的行為；②單獨(dú)研究成交量序列的行為；③研究和之間的行為。例如：傳統(tǒng)的資產(chǎn)定價模型，研究的就是股票價格的衍生變量收益率的結(jié)構(gòu)和動力學(xué)關(guān)系。
傳統(tǒng)的基于時間標(biāo)度的股價動力學(xué)可用下式（3）表示：
（3）
其中：為時刻的股價；表示時刻之前可獲取的信息，比如時刻之前的股價；表示股價與其前期信息之間的函數(shù)關(guān)系；為隨機(jī)誤差項(xiàng)。
式（3）刻劃的股價動力學(xué)模型，比如當(dāng)，為線性函數(shù)時，即為隨機(jī)游走模型。自回歸AR模型、移動平均MA模型、自回歸移動平均ARMA模型等都是常用的線性動力學(xué)模型，非線性模型如神經(jīng)網(wǎng)絡(luò)模型等。
3.1.2 從時間標(biāo)度到成交量標(biāo)度
由于按照時間標(biāo)度得到的股價序列進(jìn)行分析可能就會很困難，即式（3）中為非線性函數(shù)�，F(xiàn)在我們放棄原來的時間標(biāo)度，而使用成交量標(biāo)度來分析股價動力學(xué)：
（4）
其中：為時刻的股價；表示時刻之前可獲取的信息，比如時刻之前的股價；表示基于成交量標(biāo)度的股價與其前期信息之間的函數(shù)關(guān)系；為隨機(jī)誤差項(xiàng)。
對于式（4），我們使用成交量標(biāo)度進(jìn)行股價動力學(xué)分析包括三個步驟：①標(biāo)度成交量時刻；②構(gòu)造基于成交量標(biāo)度的股價序列；③進(jìn)行基于成交量標(biāo)度的股價動力學(xué)分析，即求解函數(shù)。
特別地，當(dāng)成交量標(biāo)度等于原來的時間標(biāo)度時，基于成交量標(biāo)度的股價就是原來的基于時間標(biāo)度的股價。
從時間標(biāo)度到成交量標(biāo)度，我們把按照日歷時間推進(jìn)的股價序列動力學(xué)分析轉(zhuǎn)換到基于成交量標(biāo)度的動力學(xué)分析，解決了兩個問題：第一、從成交量標(biāo)度考慮得到的價格序列自然地把成交量的信息融入到價格序列中，避免了原來的價格和成交量兩個變量分離難以結(jié)合研究的問題。第二、按成交量推進(jìn)的思想，也符合市場交易本身的推進(jìn)方式。由于市場交易不按固定的日歷時間推進(jìn)，而是按其交易本身的時間推進(jìn)，按影響交易的信息流過程推進(jìn)，那么成交量作為市場重要事件的“信息含量”的度量標(biāo)志，很自然地可以作為市場交易本身時間的一個替代。
基于成交量標(biāo)度的股價動力學(xué)分析的基本方法
3.2.1 確定成交量標(biāo)度
由于放棄了傳統(tǒng)的時間標(biāo)度，我們需要重新給定股價的標(biāo)度。標(biāo)度確定的是否適當(dāng)直接影響基于成交量標(biāo)度的股價的行為特征。在成交量進(jìn)程時間假設(shè)下，日歷時間伸縮了，股價以成交量進(jìn)程時間形式推進(jìn)，在實(shí)證研究中我們使用成交量進(jìn)程時間來確定成交量標(biāo)度。因?yàn)槌山涣窟M(jìn)程時間的均值等于1，即剛好等于一個平均時間刻度單位，那么成交量標(biāo)度的單位設(shè)定為成交量進(jìn)程時間的均值。
下面說明如何求得成交量標(biāo)度時的時間標(biāo)度值。假設(shè)時刻的成交量進(jìn)程時間為，則時刻的累積成交量進(jìn)程時間為。時的時間標(biāo)度值由下式中的確定：
（5）
時的時間標(biāo)度值就介于時刻和時刻之間。
3.2.2 基于成交量標(biāo)度的股價序列的構(gòu)造
由于現(xiàn)有存在的股價序列都是基于日歷時間標(biāo)度的，為了進(jìn)行基于成交量標(biāo)度的股價序列動力學(xué)分析，我們必須重新構(gòu)造股價序列。
就象時間標(biāo)度一樣，一般我們所取的標(biāo)度值都是固定間隔的整數(shù)，而式（5）中累積成交量進(jìn)程時間剛好等于整數(shù)值的時間標(biāo)度往往介于兩個整數(shù)時間標(biāo)度之間。所以，基于成交量標(biāo)度的股價就是這種介于兩個整數(shù)時間標(biāo)度之間的股票價格，在這種精確的時間標(biāo)度的股價獲取有困難的情況下（現(xiàn)存的可獲取的數(shù)據(jù)庫可能沒有每筆的成交數(shù)據(jù)記錄），我們常常采取替代的方式。
如果我們對日數(shù)據(jù)進(jìn)行實(shí)證研究，而無法得到每筆成交數(shù)據(jù)，那么可使用日數(shù)據(jù)的加權(quán)平均法。這里的權(quán)是成交量進(jìn)程時間，而股價則用平均成交價替代。假設(shè)為日的成交金額，為日的成交總股數(shù)，則日的平均成交價為：
（6）
記基于成交量標(biāo)度的價格序列為，假設(shè)前s 個基于成交量標(biāo)度的股價已經(jīng)產(chǎn)生，下面求第s＋1 個價格。若下式滿足：
（7）
則第（s+1）個成交量標(biāo)度的股價為：
（8）
3.2.3 基于成交量標(biāo)度的股價動力學(xué)分析的基本方法
在生成基于成交量標(biāo)度的股價序列后，我們就可以進(jìn)行動力學(xué)分析。傳統(tǒng)的基于時間標(biāo)度的股價動力學(xué)分析方法都可應(yīng)用于基于成交量標(biāo)度的股價序列，比如ARIMA模型分析、GARCH模型分析和人工神經(jīng)網(wǎng)絡(luò)分析等。
4 實(shí)證研究
下面我們對上證綜合指數(shù)進(jìn)行實(shí)證分析，通過基于時間標(biāo)度的股價收盤價序列和基于成交量標(biāo)度的股價序列進(jìn)行ARIMA模型比較分析，來說明基于成交量標(biāo)度能降低股價行為的復(fù)雜性，從而簡化股價行為的分析。
數(shù)據(jù)樣本：1998年1月1日至1999年12月31日的上證綜合指數(shù)，共485個交易日
4.1 誤差分析
為了比較模型擬合樣本序列的程度，我們使用下面幾個誤差項(xiàng)分析。設(shè)和分別表示實(shí)際值和模型的預(yù)測值，n 為樣本數(shù)。
（1）均方差：
（9）
（2）平均絕對值誤差：
（10）
（3）最大絕對值誤差：
（11）
（4）最小絕對誤差：
（12）
（5）絕對值誤差小于1.5％比例：
（13）
4.2 模型識別
先按照前面的成交量進(jìn)程時間線性轉(zhuǎn)換函數(shù)式（2）生成成交量進(jìn)程時間，再根據(jù)日數(shù)據(jù)加權(quán)替代法式（8）生成基于成交量標(biāo)度的股價序列，其中上證綜合指數(shù)的成交量用日成交金額度量。記CLSPRC為原來的基于時間標(biāo)度的收盤價序列，PRC_L為基于成交量標(biāo)度的股價序列。
我們把485個樣本分成兩段，第1至405個樣本用于系統(tǒng)識別和參數(shù)估計(jì)，第406至485個樣本用于測試。
按照AIC和BIC信息準(zhǔn)則以及模型的參數(shù)的顯著性進(jìn)行模型的辨識，我們得到兩個序列的ARIMA模型的階數(shù)，見表1。
表1 兩個序列的ARIMA模型
序列 ARIMA(p,d,q) 模型的擬合情況 殘差的自相關(guān)性檢驗(yàn)
Adj.S.E AIC BIC 階數(shù) Chi-Square 顯著性概率
CLSPRC (3,1,0) 0.09907 -2204.08 -2188.07 6 3.67 0.299
PRC_L (2,1,0) 0.06200 -2395.42 -2383.42 6 7.80 0.099
注：①第二列的p，d，q分別表示自回歸項(xiàng)、差分項(xiàng)和移動平均項(xiàng)的階數(shù)。
②第三列的Adj.S.E為調(diào)整的誤差平方和。
③第四列、第五列分別為赤池信息準(zhǔn)則值和Scharwz-Bayes信息準(zhǔn)則值。
分析：
（1）從殘差的自相關(guān)性檢驗(yàn)看，兩個模型的殘差的直至6階滯后的自相關(guān)系數(shù)都沒有顯著不為零的，說明兩個模型擬合得都不錯。
（2）從階數(shù)上看，基于成交量標(biāo)度的指數(shù)序列的階數(shù)都比收盤價序列的小。
（3）從Adj.S.E、AIC和BIC值看，基于成交量標(biāo)度的指數(shù)序列的值都要小于收盤價序列，說明基于成交量標(biāo)度的指數(shù)序列要比收盤價序列擬合的更好一些。
4.3 兩個序列的擬合效果分析
由前面識別出的兩個序列的ARIMA模型及其參數(shù)值，我們對后面的80個樣本進(jìn)行預(yù)測，再根據(jù)前面的誤差分析項(xiàng)計(jì)算出辨識階段和測試階段的各個誤差值，見表2。
表2 兩個序列的ARIMA模型的誤差分析表
辨識階段：樣本數(shù)405
序列 均方差 平均絕對值誤差 最大絕對值誤差 最小絕對值誤差 絕對值誤差小于1.5％的比例
CLSPRC 0.00024518 0.0110263 0.0843541 0.000037026 0.7599010
PRC_L 0.00015345 0.0086775 0.0715519 9.335405E-6 0.8366337
預(yù)測階段：樣本數(shù)80
CLSPRC 0.00018653 0.0101200 0.0655311 0.000234589 0.8125000
PRC_L 0.00013837 0.0083766 0.0499162 0.000057754 0.8750000
分析
（1）在模型辨識階段，從各個誤差分析值看，不管是均方差、平均絕對值誤差，還是最小絕對值誤差、絕對值誤差小于1.5％的比例，基于成交量標(biāo)度的指數(shù)序列都要優(yōu)于收盤價序列。
（2）在模型測試階段，各個誤差分析值也是基于成交量標(biāo)度的指數(shù)序列要比收盤價序列好。
（3）模型測試階段的誤差分析值與辨識階段相比，其擬合效果并沒有變差，說明模型的參數(shù)的時間平穩(wěn)性得到了很好的保證。
5 結(jié)論
根據(jù)前面的基于成交量標(biāo)度的股價序列的分析方法，我們對上證綜合指數(shù)的日數(shù)據(jù)進(jìn)行了實(shí)證分析。按照赤池信息準(zhǔn)則AIC、Scharwz-Bayes信息準(zhǔn)則BIC和參數(shù)值的顯著性，我們對兩個序列進(jìn)行了ARIMA模型辨識，發(fā)現(xiàn)基于成交量標(biāo)度的指數(shù)序列的自回歸項(xiàng)階數(shù)要小于收盤價序列，而且AIC和BIC值也要小于收盤價序列。這說明基于成交量的指數(shù)序列的ARIMA模型的擬合情況要優(yōu)于收盤價序列。再由辨識階段得到的ARIMA模型的參數(shù)值對后面的樣本進(jìn)行了測試，從各個誤差分析項(xiàng)（包括均方差、平均絕對值誤差、絕對值誤差小于1.5％的百分比等）也可以看出，基于成交量標(biāo)度的指數(shù)序列用ARIMA模型擬合要好于收盤價序列。
上面的實(shí)證結(jié)果表明，基于成交量標(biāo)度的股價動力學(xué)分析方法是可行的，也是有效的。
參考文獻(xiàn)
Stock James H. Measuring business cycle time[J]. Journal of political economy, 1987, 95: 1240-1261
Andersen. Return volatility and trading volume: an information flow interpretation of stochastic volatility[J]. The Journal of Finance, 1996, 51: 169-204
Clark P. A subordinated stochastic process model of cotton futures prices. 1973, Ph.D. Dissertation, Harvard University
Schwert G. William. Stock volatility and the crash of ’87[J]. The review of financial studies, 1990, 3:.77-102
Karpoff, Jonathan M. The relation between price changes and trading volume: A survey[J]. Journal of financial and quantitative analysis, 1987, 22: 109-126
Gallant A Ronald, Peter E Rossi, George Tanchen. Stock Prices and Volume[J]. The Review of Financial Studies,1992, 5: 199-242
Hull J. and A. White. The pricing of options on assets with stochastic volatility[J]. Journal of finance, 1987, 42: 282-300
A Dynamic Analysis of Trading Volume-scaled Stock Prices
Abstract Traditional time series analysis of stock price lacks the crucial factor—trading volume, we suggest that the price movements evolve on the trading volume. Under the trading volume process hypothesis, we put forward a new idea and new method—trading volume-scaled dynamic analysis of stock prices. An empirical research confirms our idea about the analysis of trading volume-scaled stock prices.
Keywords trading volume-scaled; trading volume process hypothesis; stock price
【基于成交量標(biāo)度的股價動力學(xué)分析】相關(guān)文章：
基于神經(jīng)網(wǎng)絡(luò)的車輛動力學(xué)分析11-22
基于ＩＦＥ矩陣的ＣＰＭ分析03-21
基于VHDL的DDS的設(shè)計(jì)與分析03-07
基于系統(tǒng)動力學(xué)模型的庫存控制機(jī)理研究03-20
基于桐梓河水文特性分析03-23
基于內(nèi)容的音頻與音樂分析綜述03-01
駁斥股利與股價無關(guān)論03-20