基于GARCH族模型多因子的股票收益分析及選股策略

陳烜 張俊揚(yáng) 易耀基 陳海賢 李冬冬

摘要：在這經(jīng)濟(jì)全球化的時代，應(yīng)用數(shù)學(xué)地位日益提高，金融數(shù)學(xué)更是越來越受到重視。在經(jīng)濟(jì)投資的風(fēng)險、收益的評估中，金融數(shù)學(xué)模型成為一個科學(xué)有效的工具， 其構(gòu)建及應(yīng)用是一個復(fù)雜而精密的過程，將模型應(yīng)用在金融資產(chǎn)的配置中，提出風(fēng)險問題，高效分析和解決問題，做出科學(xué)有效的投資決策，可達(dá)到降低投資風(fēng)險或者提高投資收益的目的。

關(guān)鍵詞：GARCH 預(yù)測值;多因子策略;選股策略

一、前言

計算該股票的日收益率。然后利用stata輸出該股票長期歷史數(shù)據(jù)的收益率圖，接著輸出收益率詳細(xì)數(shù)據(jù)圖。利用stata輸出殘差圖，利用Q檢驗輸出其模型能否通過白噪聲檢驗，同時也需要使用LM統(tǒng)計量來檢驗是否存在GARCH誤差。通過構(gòu)建GARCH（9，0，9），之后對其進(jìn)行t分布檢驗與擬合回歸，輸出stata窗口得到預(yù)測值。最后對預(yù)測值大小進(jìn)行排名選出前十支股票進(jìn)入程序既定的股票池，再結(jié)合多因子策略綜合選股下單。

二、模型準(zhǔn)備

使用了STATA16、MATLAB2018a和SPSS25等科學(xué)計算軟件。首先，我們將需要進(jìn)行數(shù)據(jù)分析的文件放置在與STATA代碼塊同一路徑下。。下一步，定義datevar是一個時間序列數(shù)據(jù)，同時定義從1到n為time的序列，n為觀測值的個數(shù)，系統(tǒng)會自動在后臺記錄，輸出數(shù)據(jù)文件，接著使用SPSS25導(dǎo)入該數(shù)據(jù)文件，使用時間序列建立模型模塊之一專家建模器，建立起適合當(dāng)前歷史數(shù)據(jù)的模型。

三、預(yù)測值計算

由于計算過程單純文字描述過于抽象，下面以模型數(shù)據(jù)以大灣區(qū)指數(shù)成分股“600048”進(jìn)行數(shù)據(jù)分析：

將股票數(shù)據(jù)通過stata計算日收益率，收益率以收盤價為基準(zhǔn)。

接下來確定模型p值與q值，這兩個值根據(jù)PACF與ACF確定。

PACF偏自相關(guān)系數(shù)：，{Xt}仍假設(shè)為平穩(wěn)的序列[1]，計算相關(guān)系數(shù)，反映的是Xt和Xt-s這兩個間隔時長為S的取值的線性相關(guān)程度。例如：2020年10月30號與2020年10月1號這兩個時間點(diǎn)取值之間存在線性相關(guān)程度，這個線性關(guān)系不是直接時間點(diǎn)之間的線性關(guān)系，它的大小可能受到中間日子的影響，以x為代表日子，關(guān)系可表示為，但是偏自相關(guān)系數(shù)可直接剔除掉所有中間日子，直接連接1號30號的關(guān)系，也就是直接關(guān)聯(lián)兩個目標(biāo)數(shù)字，可表示為：

ACF自相關(guān)系數(shù)：如果將p視為s的函數(shù)，則我們稱該函數(shù)為自相關(guān)函數(shù)（autocorrelation function），其函數(shù)圖像為截尾或者是拖尾趨勢[2]，被成為自相關(guān)圖（correlogram），依賴樣本數(shù)據(jù)進(jìn)行估計：

根據(jù)ACF圖與PACF圖突破確定p值與q值可能為5階或9階?？赡苄缘膒值與q值得組合MODELL：ARMA（5，5）;ARMA（9，9）;ARMA（5，9）;ARMA（9，5）;

模型存在四種組合，但是我們最后只選擇一種組合進(jìn)行預(yù)測[3]，為保證模型組合選取的準(zhǔn)確性，我們從中選擇最優(yōu)的模型，其中最優(yōu)基于兩個參數(shù)，分別是：

模型會存在過擬合問題：加入?yún)?shù)越多，模型擬合越好，但這卻是以提高模型復(fù)雜度為代價的。因此，模型選擇要在模型復(fù)雜度與模型的解釋能力之間尋求最佳平衡。因此模型選擇需要基于AIC與BIC準(zhǔn)則。

太多的滯后項會增加預(yù)測的誤差，太少的滯后項又會遺失部分相關(guān)信息。經(jīng)驗和理論知識通常是用來決定滯后項階數(shù)的最好方式，然而，依然存在著一些準(zhǔn)則幫助我們確定滯后的階數(shù)。

結(jié)論

利用GARCH可對股票進(jìn)行預(yù)測，預(yù)測具有一定的參考性

參考文獻(xiàn)

[1]孫麗麗.基于GARCH族模型的股票波動性分析——以美的集團(tuán)股票為例[J].科技風(fēng)，2020，（31）：82-83.

[2]王莉.深證綜指的ARMA-GARCH模型實(shí)證分析[J].市場周刊，2020，33（10）：137-138.

[3]高同，朱海龍.基于GARCH類模型和BP神經(jīng)網(wǎng)絡(luò)模型的波動率預(yù)測——基于上證綜指日度數(shù)據(jù)[J].金融經(jīng)濟(jì)，2020，（09）：37-45.

[4]陶冶，屈乾龍，李圣行.基于GARCH族模型的中證500指數(shù)波動性研究[J].現(xiàn)代企業(yè)，2020，（09）：125-126.