疫情影響下醫(yī)藥行業(yè)組合投資策略分析

曾靖

摘要：當突發(fā)事件發(fā)生時會對股票市場造成一定的影響，利用合適的量化投資策略可以提高收益率。本文使用自回歸移動平均模型（ARMA模型）分析300醫(yī)藥指數(shù)收益率并對其進行預(yù)測，結(jié)合實際醫(yī)藥行業(yè)在疫情爆發(fā)后的實際漲跌情況，認為疫情爆發(fā)對于醫(yī)藥行業(yè)股價波動有積極影響，構(gòu)建股票池，采用組合投資策略，在趨勢市場下使用移動平均線策略（MACD策略），在小幅度震蕩市場下使用隨機指標策略（KD策略），對組合進行回測，發(fā)現(xiàn)其投資表現(xiàn)優(yōu)于300醫(yī)藥指數(shù)收益率，策略有效。

關(guān)鍵詞：ARMA模型;組合投資;MACD策略;KD策略

1.引言

早在1993年，Dolley對美國股市研究發(fā)現(xiàn)，突發(fā)事件發(fā)生后，股市會迅速出反應(yīng)。[1]當大規(guī)模傳染性疾病出現(xiàn)時，醫(yī)藥行業(yè)會出現(xiàn)上漲趨勢，且會有一定的持續(xù)時間。利用ARMA模型對于短期股票進行預(yù)測，判斷疫情對于股票市場的影響以及影響的程度大小。將1月20日鐘南山院士有關(guān)人傳人的發(fā)言作為疫情信息的觸發(fā)點，觀察醫(yī)藥行業(yè)股票的反應(yīng)，判斷其對于利好消息的敏感性。判斷觸發(fā)點之后股票會持續(xù)上漲一段時間但是期間會出現(xiàn)波動，選取組合投資的策略進行回測，并且對參數(shù)進行優(yōu)化得到最終的收益率曲線。

2.模型介紹

差分自回歸移動平均模型即ARIMA 模型也稱 Box-Jenkins 模型。[2] 主要用于非平穩(wěn)序列的建模，理論思想是先對非平穩(wěn)序列進行差分，使之變?yōu)槠椒€(wěn)序列，然后再用自回歸移動平均模型（ARMA 模型）來擬合差分后的序列。若一個時間序列含有d個單位根，經(jīng)過d次差分變換成一個平穩(wěn)的自回歸移動平均過程，則可以采用ARIMA模型來表示。表示如下：

用ARIMA（p，s，q）表示。其中（1-L）dYt表示時間序Yt經(jīng)過d次差分轉(zhuǎn)變后的平穩(wěn)過程，? ? ? ? ?和? ? ? ? ?分別表示自回歸算子和移動平均算子。ARIMA（p，d，q）中的p表示自回歸的滯后項數(shù)，d表示時間序列轉(zhuǎn)換為平穩(wěn)序列之前取差分的次數(shù)，q表示移動平均項數(shù)。若時間序列本身平穩(wěn)則可以使用ARMA模型，ARMA（p，q）。

比起簡單的自回歸模型或者是簡單的趨勢預(yù)測模型，ARMA模型的優(yōu)勢是結(jié)合了趨勢理論和均值回歸理論，得出的最終數(shù)據(jù)更加精確。

通過建立自回歸移動平均模型ARMA模型分析新型冠狀病毒肺炎對我國醫(yī)藥行業(yè)股票市場的影響程度和作用時滯。首先根據(jù)2020年1月21日之前的收益率序列建立ARMA模型，然后利用該模型對1月20日之后的收益率序列進行追溯預(yù)測，如果沒有發(fā)生突發(fā)事件，則預(yù)測值為收益率序列的理論值，預(yù)測值與實際值之間的差值則是受此次疫情影響而變化的數(shù)值。

3.疫情對醫(yī)藥行業(yè)股票收益率影響實證分析

3.1數(shù)據(jù)選取及處理

近三年來，滬深300醫(yī)藥指數(shù)2017年到2018年5月份到達高點后，價格開始回落，到2019年1月醫(yī)藥指數(shù)開始慢慢回升。利用Python獲得滬深300醫(yī)藥指數(shù)2016年1月05日至2020年1月20日的收盤價數(shù)據(jù)，數(shù)據(jù)來源于Tushare平臺。

3.2模型檢驗及預(yù)測

在建模之前，需要對于數(shù)據(jù)進行單位根檢驗，以防止出現(xiàn)“偽回歸”現(xiàn)象。對300醫(yī)藥指數(shù)進行收盤價序列和收益率序列進行平穩(wěn)性檢驗，可以得出300醫(yī)藥指數(shù)的收盤價序列是不平穩(wěn)的，但是收益率序列是平穩(wěn)的。

將收益率序列進行標準化處理后，我們對于收益率序列建立相關(guān)模型，ARMA（9，9）。模型通過了QQ圖檢驗，殘差符合正態(tài)分布，進行LBQ檢驗，檢驗結(jié)果顯示前40期的p值都大于0.05則不能拒絕原假設(shè)，說明殘差是白噪聲序列，接下來用ARMA（9，9）模型對未來一個月股票收益率進行預(yù)測。

預(yù)測收益率波動較小比較平穩(wěn)，而疫情這類突發(fā)事件使得股票實際收益率明顯波動，因此我們可以通過量化投資策略，提高收益率

4.股票池構(gòu)建

300醫(yī)藥指數(shù)發(fā)布于2007年7月2日?；斩ㄔ?004年12月31日，基值1000點。該指數(shù)目前有29只成分股。十大權(quán)重股分別為恒瑞醫(yī)藥、藥明康德、長春高新、愛爾眼科、云南白藥、泰格醫(yī)藥、樂普醫(yī)療、片仔癀、美年健康。將十大權(quán)重股的收益率與300醫(yī)藥指數(shù)的收益率相比較，觀察發(fā)現(xiàn)300醫(yī)藥的漲跌趨勢基本于十大權(quán)重股的漲跌趨勢相一致，在觸發(fā)點之后300醫(yī)藥出現(xiàn)上漲，而十大權(quán)重股卻出現(xiàn)下滑，對于利好消息的反應(yīng)不夠理想。由此做出判斷，在疫情類的突發(fā)事件爆發(fā)后，大市值的藥企股價不一定能夠很好地抓住上漲機會。

許珈瑞（2019）研究表明相同水平的賬面市值比下，收益率會隨著賬面市值比的增高而增高，存在小公司效應(yīng)。[3]在股票池的構(gòu)建中，除了選擇十大權(quán)重股，保證基本的指數(shù)收益率外，加入疫情爆發(fā)之后市場表現(xiàn)較好的9支股票，認為這類股票雖然市值規(guī)模不如十大權(quán)重股，但是能夠更好地抓住利好機會，獲得超額收益率。共19支股票：恒瑞醫(yī)藥、藥明康德、長春高新、愛爾眼科、云南白藥、泰格醫(yī)藥、樂普醫(yī)療、片仔癀、美年健康、泰達股份、奧美醫(yī)療、南衛(wèi)股份、四環(huán)生物、聯(lián)環(huán)藥業(yè)、魯抗醫(yī)療、陽普醫(yī)療、三鑫醫(yī)療、振德醫(yī)療，采用組合交易策略進行疫情爆發(fā)后收益率回測。

5.組合投資策略的構(gòu)建及回測

5.1策略思想

投資的分散化有兩類基本的方法：策略組合交易和資產(chǎn)組合交易。策略組合交易是在同一市場采取不同的投資策略的組合，資產(chǎn)組合交易是分散投資于不同的商品或市場。

基于對疫情的判斷，認為相關(guān)醫(yī)藥股會維持一段時間的上漲趨勢且中間會出現(xiàn)小幅震蕩行情。所以本文采用的是策略組合交易的方法，將趨勢跟蹤策略和逆向交易策略結(jié)合起來。首先計算CMI，通過計算當前收盤價與一定周期前的收盤價的差值與這段時間內(nèi)價格波動的范圍的比值，來判斷目前的股價走勢是趨勢還是盤整。一般來說如果大于20則認為這是個趨勢市場，則采取MACD策略，反之則采取KD策略。根據(jù)回測結(jié)果對于數(shù)據(jù)進行優(yōu)化后將臨界值定在了50，給予反轉(zhuǎn)策略更多的交易空間。

5.2策略回測結(jié)果

基準為300醫(yī)藥指數(shù)，設(shè)置初始資金為100萬元，賣出印花稅為0.01%，買入傭金0.03元，平昨傭金0.03元，最低傭金5元?；販y時間為2019年2月28日至2020年2月28日，紅色為策略收益率，藍色是選取300醫(yī)藥作為的基準收益率。

由圖3可知該組合交易策略合理，可以獲得比指數(shù)更高的收益率，說明在看好醫(yī)藥行業(yè)未來發(fā)展的情況下，組合投資策略可以幫助取得比指數(shù)更高的收益。

6.總結(jié)

在疫情爆發(fā)之后，醫(yī)藥股掀起漲停的風潮，但是300醫(yī)藥十大權(quán)重股的反映并不強烈，與300指數(shù)走勢相同，結(jié)合疫情之后市場反饋的信息，選擇了抓住利好機會的9支股票與10大權(quán)重股組成股票池，利用組合投資策略進行分析，發(fā)現(xiàn)回測期間收益率明顯高于指數(shù)收益率，因此在看好未來醫(yī)藥行業(yè)發(fā)展時，利用權(quán)重股保持基礎(chǔ)的收益，加上對市場利好消息反映敏感的企業(yè)組成股票池，采用組合投資策略可以獲得更高的收益。

參考文獻：

[1]Box G E ， Jenkins G M . Time series analysis： forecasting and control （third ed[J]. Oakland， California， Holden-Day， 1976， 1976， 31（4）：303-303.

[2]Dolley.J，Charact erist ics and Procedure of Comm on St ock Split-Upa[J].H arvard Business Review，1993（11），316-326

[3]許珈瑞.對小公司效應(yīng)、價值股效應(yīng)、動量效應(yīng)以及反轉(zhuǎn)效應(yīng)的實證研究——基于三因子模型[J].時代金融，2019（20）：72-73.