现代金融学对证券技术分析的研究

1现代金融学对证券技术分析的研究一引言所谓证券技术分析就是运用证券历史价格和成交量序列形成的特定的图形模式预测证券价格的未来走向这显然是和我们熟知的有效市场假设（EMH）相矛盾的有效市场理论强调当前已包含了所有公开信息而未来价格是不可预测的（Fama（1970））但自70年代开始就逐步有理论和实证研究对其提出挑战包括一月效应星期效应小公司效应和账面-市价比效应（Book-to-MarketEffect）等现象的发现显示市场上有可能出现系统性赚取超额利润的机会这很自然地激起了学界研究证券技术分析有效性的兴趣二证券技术分析的早期研究目前我们所知的这个领域的最早的文献是Alexander（1961）他采用了一种最简单的技术指标作为决策依据如果股票价格从某一低位上升至少x%买入并持有该股票；当价格从随后的高位下跌至少x%时卖掉股票并等待下一个买入信号他宣称采用道琼斯工业平均指数和标准普尔指数检验的结果这样的策略较之简单的买入-持有策略能带来显著的利润但随后Fama和Blume（1966）发现Alexander的研究没有考虑公司分红的效应和交易成本采用经股利调整的道琼斯指数成份股价格序列他们证明上述的交易策略不会优于简单的买入2-持有策略即使0.1%的交易成本也足以耗尽由上述交易策略带来的利润Jensen和Benington（1970）的研究使用了更接近于实际的交易策略即相对强度策略所谓相对强度定义为当前价格与27周平均价格之比等量投资于前x%相对强度最大的那些股票在t周后重新计算所有股票的相对强度并调整投资组合即确保投资组合中的股票相对强度始终处于前x%采用纽约交易所上市公司数据他们的研究没有发现超过买入-持有策略的利润而且相应的风险水平较高早期对证券技术分析的研究有以下特点1.争论的焦点一直就是当前价格是否集合料所有的公开信息但在当时信息还是个“原子式”的概念还要过十年人们才开始在时间和空间两个方向上建立信息的结构和相应的分析框架2.由于当时模式识别技术也才刚刚起步研究中无法考虑较为复杂的图形模式3.除与买入-持有策略相比较外竟然学研究中还缺少描述技术分析指标的预测能力和盈利能力的统计方法这些手段通常需要的大容量计算机也还没有出现三探索证券技术分析的理论基础随着信息经济学的发展研究人员逐渐认识到当前价格不是所有私人信息的完美集合例如如果当前价格同时受到不可观测的股票供给以及市场参与者私人信息的影响那么它自身就不可能对私人信息提供充分的估计因此市场参与者在形成他们的需求时除使用价格外还会使用各自的私人信息此外当前价格中包含的噪音也使价格不可能完全揭示过往的私人信息我们从而可以很自3然地得出这样的命题历史价格能有效地帮助投资决策以此为出发点的一些模型逐渐揭示了证券技术分析的理论依据Brown和Jennings（1989）就是这样一个二阶段含噪音理性预期模型在他们的模型里投资者每一阶段的私人信息都是不相关的而且每一阶段的股票供给都会变化他们证明第一阶段的价格有助于估计整个信息集它不受第二阶段公开信息和噪音的影响；对于信号均值联合考虑两个阶段价格的推断严格优于独立使用第一或第二阶段价格的推断显然这样的市场在Fama（1970）意义上是无效率的我们知道多数技术分析师是十分重视成交量信息的在实践中他们都会同时根据价格和成交量过往信息作出判断BlumeEasley和O’Hara（1994）就成功解释了成交量对投资决策的作用他们的模型以市场微观结构理论为基础假设某些证券基本面信息对所有投资者为未知当价格自身不能同时对信号的大小和精度提供完全信息的时候模型显示适当的分析工具可以从成交量数据中提取有效信息更为有意思的是模型说明技术分析方法是投资者学习过程的一个自然结果实际上没有人会单独使用技术分析方法决定股票的买卖Goldbaum（1999）就证明涉及基本面的条件信息集对估计股票表现有积极作用文章首次引入两类信息来帮助估计技术分析方法的有效性其一包含四种市场指标即两个期限结构变量不同风险债券的收益差以及股票红利收益率；其二是宏观变量的条件信息集例如生产率和货币存量文章最重4要的结论就是在技术分析中合并考虑基本面市场信息可以提高决策过程的精确度无疑这不仅更符合现实而且将是未来这个领域重要的研究方向四对证券技术分析的实证检验技术分析工具可以分为两大类一类是技术指标另一类是技术图形技术指标包括移动平均线随机指标相对强度指标等技术图形则包括K线图波浪理论三角形发散三角形头肩顶等对它们的实证检验主要是检验在特定市场上使用这些分析工具进行投资是否能获取有效的信息和超额利润Brock,Lakonishok和LeBaron(1992)是最早研究技术分析指标的文献之一正是它引发了金融学界对技术分析的普遍关注他们考察了两种简单技术交易规则—移动平均和支持/阻力线—的盈利能力技术分析中的移动平均规则采用短期和长期两根移动平均线短期可以是1天5天或10天长期则是50150或200天当短期移动平均向上穿越长期移动平均线时给出买入信号；当短期移动平均向下穿越长期移动平均线时给出卖出信号而当价格穿越当前支持线或阻力线形成局部新低或新高时定义为卖出或买入信号Brock等（1992）在统计上首次采用非参数的bootstrap方法而不是传统统计方法检验上述技术指标的盈利能力目的是获得对不同参数的所有交易规则的总体检验并利用非参数特性兼容证券收益分布普遍存在的非正态性自相关性和条件异方差性一般来说bootstrap方法就是通过一定数量的仿真得到我们感兴趣的统计量（例如均值和标准差）5在特定零假设下的仿真分布从而建立该统计量的置信区间并由此判断来自实际过程的该统计量的显著性零假设需要依据实际情况决定这里的研究采用了四种零假设即随机游走一阶自相关GARCH和指数GARCH其中随机游走假设可以看成等同于有效市场假设后三个假设都通过对实际过程的运用被证明成立采用道琼斯指数1897—1986年数据的检验结果显示买卖信号条件收益均高度显著而且衡量一个投资循环绩效的买卖条件收益之差高达0.93%对应的无条件收益仅约为0.17%买入信号单日条件收益为0.042%（或约每年12%）相应的卖出信号单日条件收益为-0.025%（或约每年-7%）由此证明移动平均线可以有效的预测市场走势稍后人们可以看到这个领域的一系列深入研究Bessembinder和Chan(1995)用几乎相同的方法检验了来自东亚6个国家和地区（泰国马来西亚台湾韩国香港和日本）的市场数据结果与Brock等（1992）的基本类似6个市场和所有交易规则平均来看买入信号较卖出信号大0.095%（单日）或26.8%（年度）较Brock等（1992）进一步他们讨论了多大的交易成本可以抵消这样的超额利润就所有市场和所有交易规则平均来看抵消超额利润的交易成本如果没有交易滞后为1.57%如果存在一天交易滞后为1.34%考虑到实际中交易成本一般小于1%这里的超额利润还是可以看成是显著的但是Bessembinder和Chan(1998)对道琼斯指数成分股1926—1991年数据的检验表明0.39%的交易成本就可6以抵消采用移动平均这样的简单交易规则带来的超额利润这个方面最新的成果来自Kwan和Kish(2002)他们把研究对象扩展到纽约证券交易所和NASDAQ市场价值加权指数和等权重指数更为重要的是他们开始考虑复杂交易策略,例如将移动平均线同成交量移动平均线结合以及同变化率指标结合产生买卖信号这样的思路是同人类的实际决策过程接近的我们知道人类的实际决策过程通常是综合考虑多种因素的如何对其模仿是一项复杂而艰巨的课题他们的研究显示不同零假设下的bootstrap分布不能完全反映市场的所有信息技术分析工具是有用的；复杂的交易策略可以为投资管理提供获利机会K线图用来表示某个交易日的开盘价收盘价最高价和最低价在证券分析师看来K线是预测短期走势的重要手段例如开盘价和收盘价之差就预示着价格走势的方向和程度Fiess和Macdonald（2001）首次全面考察了K线图的信息含量他们试图检验这样的假设1.最高价和最低价可以显示供求结构变化的信息；2..变化的指令流对决定价格起重要作用实证结果显示基于极差（最高价-最低价）的波动率测度在提供附加信息方面优于基于收益率的波动率测度前者能够捕获涉及市场微观结构的一些信息特性而这些信息特性是和预示市场出现转折的信息相关联的此外结合收盘价、最高价和最低价的交易策略可能在价格走势和波动的预测上非常有效Osler和Chang（1995）则首次涉及了一个著名的非线性形态--头肩顶7他们的文章试图估计几个重要的汇率市场上出现的头肩顶形态的预测能力这里的第一个问题就是如何从原始数据中识别出特定的几何图形他们采用了将原始图形提炼成一系列折线的办法利用折线的端点寻找符合定义的头肩顶形态然后可以得到图形的条件收益并采用前面提到的bootstrap方法通过构造仿真序列得到图形的条件收益在特定零假设下的置信区间（采用的零假设模型是随机游走和GARCH）实证结果表明马克和日元可以分别得到均值为0.78%和1.5%的显著的正收益但是加拿大元瑞士法郎和英镑的预测能力较差作者进一步考虑利息差和交易成本经过调整的马克和日元平均条件收益仍达到0.68%和1.48%且在统计上显著LoMamaysky和Wang（2000）在这个领域取得重要进展他们引入了一套新的算法来估计和识别技术分析中复杂的非线性图形这就是非参数核回归其优点在于滤除噪声后能得到价格时间序列的离散数值表达并通过简单的计算就可以找到价格时间序列的几何特征作者证明这样的算法能成功识别十种非线性几何图形包括头肩形态双头或双底三角形和矩形等在解决模式识别问题的基础上他们提出使用卡方拟合优度检验（chi-squaregoodness-of-fittest）以及Kolmogorov-Smirnov检验考察图形的预测能力,二者都是通过比较无条件收益分布和特定图形条件收益分布给出统计量显著的统计量意味着特定的交易模式可以包含额外信息此类8检验能明确显示条件分布的信息含量但不能象bootstrap方法那样测量超额收益的显著性实证结果证实对于卡方拟合优度检验在纽约市场上十种图形模式中有7种的条件收益分布显著异于对应的无条件收益分布而在NASDAQ市场上考察的所有图形模式的条件收益分布都显著异于对应的无条件收益分布；对于Kolmogorov-Smirnov检验纽约市场上十种图形模式中的5种和NASDAQ市场上的全部图形都有显著的预测能力LoMamaysky和Wang（2000）的工作具有重要开创性一系列拓展可以在此基础上展开例如可以引入更先进的滤波算法；开发更精确的模式识别算法；以及设计复杂和高精度的决策程序等等五结论近年来对证券技术分析的研究逐渐增多它能够为证券投资决策提供附加信息这是学界已经形成的共识然而什么样的投资策略能带来超额利润如何利用这些成果指导投资决策这些问题都等待着深入的研究；计算和统计方法也还有待进一步改进；更为关键的是需要在超越有效市场理论的基础上构造新的资产定价模型参考文献Alexander,S.S.,1961,PriceMovementsinSpeculativeMarkets:TrendsorRandomWalks,IndustrialManagementReview,2,7-26.Bessembinder,H.,andKalokChan,1995,TheProfitabilityofTradingRulesintheAsianStockMarkets,Pacific-BasinFinanceJournal,3,257-284.Bessembinder,H.,andKalokChan,1998,MarketEfficiencyandtheReturnstoTechnicalAnal9ysis,FinancialManagement,27,Summer1998.Blume,Lawrence,DavidEasley,andMaureenO’Hara,1994,MarketStatisticsa