量化分析外部風(fēng)險(xiǎn)對(duì)股票投資的影響

耿營(yíng)營(yíng) 劉烙軒 馮潔宜

摘要：文章從突發(fā)性事件新冠疫情入手，研究外部風(fēng)險(xiǎn)對(duì)股票投資的影響，利用多因子分析模型、ARIMA序列模型和殘差序列分析法等方法對(duì)突發(fā)性事件（外部風(fēng)險(xiǎn)）對(duì)股票的影響進(jìn)行了量化分析。文章將突發(fā)事件劃分為三種類型先進(jìn)行描述性統(tǒng)計(jì)，然后通過單位根檢驗(yàn)后建立ARIMA模型，進(jìn)而利用模型進(jìn)行預(yù)測(cè)比較分析。通過研究分析發(fā)現(xiàn)外部性事件（新冠疫情）對(duì)股票有間接的正向沖擊影響，解釋了股票價(jià)格在疫情期間的波動(dòng)游走現(xiàn)象，并結(jié)合事件進(jìn)行具體分析。

關(guān)鍵詞：多因子量化選股；主成分分析；殘差序列分析；ARIMA模型

中圖分類號(hào)：F224；F830.9??文獻(xiàn)標(biāo)識(shí)碼：A??文章編號(hào)：1005-6432（2023）14-0000-04

[DOI]10.13939/j.cnki.zgsc.2023.14.000

1???研究背景

新冠疫情使中國(guó)股市受到較大沖擊，但醫(yī)藥類股票卻有不一樣的態(tài)勢(shì)。國(guó)內(nèi)券商研報(bào)研究顯示因多數(shù)股民對(duì)股票市場(chǎng)持消極態(tài)度使得股票市場(chǎng)利空態(tài)勢(shì)愈加嚴(yán)重。外部風(fēng)險(xiǎn)性事件對(duì)股票的影響會(huì)給投資者帶來風(fēng)險(xiǎn)。對(duì)于外部性風(fēng)險(xiǎn)事件及突發(fā)性事件的研究可更好了解股票價(jià)格的影響因子且還能幫助投資者有效規(guī)避風(fēng)險(xiǎn)。因此研究如何在利空態(tài)勢(shì)下投資股票和規(guī)避市場(chǎng)波動(dòng)的風(fēng)險(xiǎn)顯得尤為重要。

文章參考了眾多學(xué)者對(duì)外部性突發(fā)事件影響股票的研究。李曉林（2013）[1]根據(jù)窗口事件研究法及ARIMA模型，研究了不同突發(fā)性事件對(duì)于股票價(jià)格走勢(shì)的影響，王春麗等（2018）[2]利用多因子量化選股模型來研究擇時(shí)策略。陸可等（2016）[3]基于R型聚類分析方法對(duì)股票價(jià)格走勢(shì)進(jìn)行了研究。齊天鏵（2021）[4]基于灰色模型與ARIMA模型預(yù)測(cè)了股票價(jià)格。王文勝等（2018）[5]基于動(dòng)態(tài)多因子分析，選擇適當(dāng)?shù)囊蜃?，根?jù)主因子篩選與最終因子打分得出股票得分。柳思維等（2003）[6]根據(jù)有效市場(chǎng)假說，通過外部宏觀信息對(duì)股票價(jià)格游走選擇股票策略。余興（2012）[7]基于券商研報(bào)外部性影響對(duì)股票進(jìn)行預(yù)測(cè)分析研究。鄧明光（2012）[8]通過對(duì)外部性重大事件對(duì)股票影響研究股票跳躍的行為特征。劉先偉（2012）[9]通過國(guó)外突發(fā)事件對(duì)國(guó)內(nèi)股票市場(chǎng)影響研究，對(duì)突發(fā)事件進(jìn)行分類并且利用ARIMA模型對(duì)股價(jià)影響進(jìn)行分析預(yù)測(cè)。文章從30支大灣區(qū)股票中篩選10支股票預(yù)測(cè)股票了價(jià)格并使用ARIMA模型研究突發(fā)性事件對(duì)股票的影響并得出結(jié)論，完善了投資和風(fēng)險(xiǎn)規(guī)避的策略。從以上現(xiàn)有的研究成果來看，突發(fā)性事件對(duì)于股票市場(chǎng)的影響研究集中于多因子分析與ARIMA模型分析，很少有將其兩者結(jié)合起來并且結(jié)合實(shí)際券商研報(bào)研究量化分析。因此，文章將突發(fā)事件劃分為三種類型：脈沖式突發(fā)事件、漸進(jìn)變化式突發(fā)事件、臺(tái)階式突發(fā)事件[10]并運(yùn)用多種量化投資方法，結(jié)合多因子分析、聚類分析、殘差序列分析、ARIMA模型等研究突發(fā)事件對(duì)股票的影響。

2???選取特征指標(biāo)

以30支大灣區(qū)股票為例，通過對(duì)30支券商研報(bào)的進(jìn)行多因子模型的篩選以及聚類分析的重組量化分析，得出券商研報(bào)對(duì)股票走勢(shì)的初步影響，從而得到關(guān)于金融外部性風(fēng)險(xiǎn)對(duì)股票走勢(shì)影響的初步結(jié)論。

證券研究人員對(duì)證券及相關(guān)產(chǎn)品的價(jià)值，或者影響其市場(chǎng)價(jià)格的因素進(jìn)行分析，離不開券商研報(bào)。完整的券商研報(bào)，包含對(duì)證券進(jìn)行綜合分析，總結(jié)出關(guān)于上市公司、行業(yè)或宏觀政策的看法，并對(duì)相關(guān)股票進(jìn)行投資評(píng)級(jí)等。文章基于研報(bào)所提供的信息，根據(jù)歷史數(shù)據(jù)，提取可用于構(gòu)造市場(chǎng)流行股票因子分析法的因子作為特征指標(biāo)，并在此基礎(chǔ)上提出明確的投資策略及分析在外界環(huán)境下對(duì)于股票行情走勢(shì)的影響。主要通過建立多因子量化選股模型、R型聚類－因子分析法用來選取股票并且分析股票走勢(shì)。

因子分析中的前提需要對(duì)各個(gè)因子的有效性進(jìn)行分析檢驗(yàn)，進(jìn)行效度檢驗(yàn)。應(yīng)用SPSS對(duì)各個(gè)因子指標(biāo)進(jìn)行分析，判斷數(shù)據(jù)是否可以進(jìn)行因子分析。通過KMO檢驗(yàn)以及巴特雷特球形度檢驗(yàn)，可以得出因子間的相關(guān)性和有效性，若KMO檢驗(yàn)值小于0.5則表明各個(gè)因子指標(biāo)的相關(guān)性過高，進(jìn)行因子分析的有效性不足，檢驗(yàn)值在0.5-1.00之間才能進(jìn)行有效的因子分析。巴特雷特球形度檢驗(yàn)的顯著性則要小于0.05才能有效進(jìn)行因子分析。根據(jù)具體檢驗(yàn)結(jié)果知KMO檢驗(yàn)統(tǒng)計(jì)量為0.575，偏相關(guān)系數(shù)大于0.5，且Bartlett檢驗(yàn)對(duì)應(yīng)的P值小于0.05。根據(jù)以上兩個(gè)原則，9個(gè)因子指標(biāo)都通過效度檢驗(yàn)，可以進(jìn)行因子分析[3]。

文章基于研報(bào)和歷史數(shù)據(jù)提取了相關(guān)影響因子作為特征指標(biāo)并在此基礎(chǔ)上進(jìn)行分析。文章主要通過主成分分析法建立多因子量化選股模型來選取股票。根據(jù)選出來4個(gè)主成分因子。成分X1有銷售凈利率反映的是盈利能力因子；成分X2有凈利潤(rùn)增長(zhǎng)率和預(yù)測(cè)凈利潤(rùn)增長(zhǎng)率反映的是成長(zhǎng)因子和分析師預(yù)測(cè)因子；成分X3有市盈率反映的是估值因子；成分X4有換手率反映的是交投因子。利用SPSS軟件進(jìn)行因子打分。以各主成分因子初始特征值累計(jì)貢獻(xiàn)率作為權(quán)數(shù)，計(jì)算出股票的綜合得分，根據(jù)主成分因子初始特征值累計(jì)貢獻(xiàn)率/累計(jì)貢獻(xiàn)率得出公式如下：

Z=28.438/83.5X1+21.184/83.5X2+18.709/83.5X3+15.169/83.5X4

其中，Z為股票的得分，X1、X2、X3、X4的系數(shù)則為主成分因子的初始特征值累計(jì)貢獻(xiàn)率，通過計(jì)算得出所選股票因子的評(píng)分：德賽電池排名第一得分為-0.04；格力電器得分-0.19；瀚藍(lán)環(huán)境得分-0.22；白云山得分-0.32；保利地產(chǎn)、華發(fā)股份、華僑城A得分均為-0.5；海信家電得分-0.51；國(guó)藥一致得分-0.57；金地集團(tuán)得分-0.58。因?yàn)橐蜃臃治鲋形恼虏捎昧藙?dòng)量反轉(zhuǎn)因子所以股票因子打分為負(fù)數(shù)。筆者采取負(fù)加權(quán)梯度數(shù)學(xué)理論，第一步把全部的因子打分取絕對(duì)值，第二步根據(jù)絕對(duì)值算出對(duì)應(yīng)權(quán)重，得出表1的股票加權(quán)投資策略。

3???建立并驗(yàn)證ARIMA模型

ARIMA模型是指差分自回歸移動(dòng)平均模型，由Box和Jenkins在七十年代初提出的一種時(shí)間序列預(yù)測(cè)算法，又可稱為Box-Jenkins模型。該模型是計(jì)量經(jīng)濟(jì)學(xué)常用的模型之一，其主要思想是在規(guī)定的時(shí)間窗口下將數(shù)據(jù)隨時(shí)間推移產(chǎn)生的數(shù)據(jù)序列看作一個(gè)隨機(jī)的時(shí)間序列，并用一定的數(shù)學(xué)模型來描述和分析這個(gè)時(shí)間序列。此模型可以從研究對(duì)象在時(shí)間窗口下的歷史值結(jié)合現(xiàn)值來預(yù)測(cè)分析未來的數(shù)值。在ARIMA（p，d，q）模型中AR是自回歸，p為自回歸項(xiàng);MA為移動(dòng)平均，q為移動(dòng)平均項(xiàng)數(shù)，d為時(shí)間序列成為平穩(wěn)時(shí)所做的差分次數(shù)。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同包括移動(dòng)平均過程（MA）、自回歸過程（AR）及ARIMA過程。ARIMA模型預(yù)測(cè)的基本程序有四步。其一，根據(jù)時(shí)間序列的描述性分析、自相關(guān)函數(shù)、偏自相關(guān)函數(shù)圖以及ADF單位根檢驗(yàn)變化規(guī)律判斷序列的平穩(wěn)性，以此檢驗(yàn)數(shù)據(jù)的有效性[1]。其二，建立相應(yīng)模型。構(gòu)建AR模型的條件是平穩(wěn)序列的偏相關(guān)函數(shù)為截尾且自相關(guān)函數(shù)為拖尾；構(gòu)建MA模型的條件則是偏相關(guān)函數(shù)拖尾且自相關(guān)函數(shù)截尾；文章經(jīng)過數(shù)據(jù)的檢驗(yàn)得到平穩(wěn)序列的偏、自相關(guān)函數(shù)均為拖尾，因此文章構(gòu)建的是ARIMA模型[1]。其三，檢驗(yàn)參數(shù)是否具有統(tǒng)計(jì)意義。其四，利用已通過檢驗(yàn)的模型進(jìn)行預(yù)測(cè)分析。文章首先建立ARIMA模型然后利用該模型對(duì)突發(fā)事件下收益率序列進(jìn)行預(yù)測(cè)，實(shí)證新冠疫情（脈沖式突發(fā)性事件）對(duì)股票國(guó)藥的影響大小、程度及時(shí)滯性。若無突發(fā)事件預(yù)測(cè)值應(yīng)為收益率序列的理論值。預(yù)測(cè)值與實(shí)際值之差即是突發(fā)事件對(duì)股票的影響數(shù)值。

3.1數(shù)據(jù)的選取

文章首先通過建立自回歸積分移動(dòng)平均模型，簡(jiǎn)稱ARIMA，然后利用該模型以下事件收益率序列進(jìn)行追溯預(yù)測(cè)，實(shí)證研究突發(fā)事件——新冠疫情（脈沖式突發(fā)性事件）對(duì)股票國(guó)藥一致的影響大小、影響程度以及作用時(shí)滯。若沒有發(fā)生突發(fā)事件，則預(yù)測(cè)值為收益率序列的理論值，預(yù)測(cè)值與實(shí)際值之差即是受突發(fā)事件影響而變化的數(shù)值。

靜態(tài)的分析是預(yù)測(cè)將樣本數(shù)據(jù)在一定時(shí)間下作為一個(gè)信息的集合，對(duì)未來數(shù)據(jù)的預(yù)測(cè)都只基于樣本信息集合，即靜態(tài)VAR右邊項(xiàng)（滯后項(xiàng)）都基于上期的實(shí)際值。而動(dòng)態(tài)都是上期的擬合值，是基于樣本信息集，往樣本期之后預(yù)測(cè)一期的數(shù)據(jù)，再將該預(yù)測(cè)值加入殘差擬合分析，加入樣本信息集合中形成新的信息集，基于新的信息集再進(jìn)行下一期的預(yù)測(cè)ARIMA短期預(yù)測(cè)的效果較理想，在可接受范圍之內(nèi)，對(duì)于國(guó)藥一致股票而言，動(dòng)態(tài)預(yù)測(cè)的效果優(yōu)于靜態(tài)預(yù)測(cè)。因此文章使用動(dòng)態(tài)預(yù)測(cè)值作為研究對(duì)象。

新冠疫情對(duì)我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展、公眾的心理產(chǎn)生了巨大影響，國(guó)藥一致的股價(jià)發(fā)生了不同的變化。其具體影響由2019年6月10日——2020年12月31日的日收盤數(shù)據(jù)可得，在新冠疫情發(fā)生前的5個(gè)月國(guó)藥一致的股價(jià)總體呈現(xiàn)振蕩向上的趨勢(shì)，中間有一段時(shí)間是振蕩平穩(wěn)發(fā)展，在新冠疫情發(fā)生的3個(gè)月內(nèi)總體呈現(xiàn)振蕩下跌趨勢(shì)，隨著疫情防控穩(wěn)定以及經(jīng)濟(jì)恢復(fù)總體呈現(xiàn)上升趨勢(shì)，并且醫(yī)藥對(duì)疫情的影響日漸凸顯，其股價(jià)也比疫情前更上一個(gè)階段。

3.2描述性統(tǒng)計(jì)

文章選取考察脈沖式突發(fā)事件影響的時(shí)間區(qū)間為2019年6月10日—2020年12月31日，研究樣本為國(guó)藥一致收盤價(jià)數(shù)據(jù)?，F(xiàn)對(duì)新冠疫情事件期間國(guó)藥一致的收盤價(jià)進(jìn)行描述性統(tǒng)計(jì)。從描述性統(tǒng)計(jì)結(jié)果可以發(fā)現(xiàn)，在新冠疫情期間，對(duì)國(guó)民經(jīng)濟(jì)、社會(huì)發(fā)展、公眾的心理產(chǎn)生了巨大的影響，股市的資金不斷流出，導(dǎo)致股票市場(chǎng)價(jià)格波動(dòng)較大，為了規(guī)避風(fēng)險(xiǎn)，投資者賣出股票，股票價(jià)格下降迅速，到2020年初春，疫情穩(wěn)定下來之后，對(duì)醫(yī)藥股票的卻形成了正向的反饋。國(guó)藥一致收益率的均值為-0.001953，最大值是0.100040，最小值是-1.000000，標(biāo)準(zhǔn)差是0.0565000，中位數(shù)為0.000340。總體上來說新冠疫情事件對(duì)國(guó)藥一致產(chǎn)生了正向的沖擊。從峰度值、Jarque-Bera統(tǒng)計(jì)量及其對(duì)應(yīng)的概率值可以發(fā)現(xiàn)，股票市場(chǎng)和債券市場(chǎng)的收益率呈現(xiàn)尖峰厚尾的特征。

3.3單位根檢驗(yàn)

在建模之前，需要對(duì)數(shù)據(jù)進(jìn)行單位根檢驗(yàn)，以防止出現(xiàn)“偽回歸”現(xiàn)象。對(duì)國(guó)藥一致的收盤價(jià)和收益率序列進(jìn)行ADF平穩(wěn)性檢驗(yàn)，檢驗(yàn)結(jié)果對(duì)國(guó)藥一致的收盤價(jià)序列進(jìn)行ADF平穩(wěn)性檢驗(yàn)，從檢驗(yàn)結(jié)果可見，國(guó)藥一致收盤價(jià)序列的P值分別為0.0229，收盤價(jià)序列是不平穩(wěn)的。而它們的一階差分，即收益率序列的P值都是0.0000，收益率序列是平穩(wěn)的。因此，國(guó)藥一致收盤價(jià)序列是一階單整序列，即ps～I(xiàn)（1），pt～I(xiàn)（1）。

3.4模型建立和檢驗(yàn)

為建立ARIMA（p，q）模型，需確定模型滯后階數(shù)即p和q的值。由國(guó)藥一致收益率序列自相關(guān)性和偏相關(guān)性可知其具有拖尾衰減特征且依正弦趨近于零。采Box-Jenkins模型檢驗(yàn)后依然符合ARIMA（0，1，1），因此可用ARIMA（p，q））模型建模。根據(jù)收益率序列的數(shù)據(jù)特征可得出其模型特征，且其AR變量與MA變量符合建模要求，ARIMA（0，1，1）的模型檢驗(yàn)數(shù)據(jù)如表2所示。殘差不存在自相關(guān)且兩個(gè)重要參數(shù)對(duì)應(yīng)的檢驗(yàn)概率都小于0.05，所以模型有效。

4??模型運(yùn)用

利用構(gòu)建的模型對(duì)股票國(guó)藥一致收盤價(jià)進(jìn)行擬合預(yù)測(cè)并進(jìn)行比較分析。如圖1所示突發(fā)事件——新冠疫情發(fā)生前后模型擬合效果都較好，殘差在正負(fù)之間徘徊。

綜上所述，分析結(jié)果表明突發(fā)事件——新冠疫情對(duì)國(guó)藥一致產(chǎn)生了間接正向沖擊。國(guó)藥一致受新冠疫情影響的沖擊幅度較大，但在隨后逐漸反轉(zhuǎn)。一方面是因政府出臺(tái)各項(xiàng)政策支持全面抗疫。另一方面是全國(guó)共同抗逐漸改變了投資者的悲觀預(yù)期。文章研究了外部性風(fēng)險(xiǎn)對(duì)股票行情產(chǎn)生的正負(fù)面影響。但這是單方面因素對(duì)金融市場(chǎng)的影響，因此實(shí)際操作中還需加上基本面分析、技術(shù)分析等來對(duì)股票走勢(shì)進(jìn)行科學(xué)預(yù)測(cè)。

先在基于我國(guó)現(xiàn)存的弱式有效市場(chǎng)上，由于信息的不對(duì)稱性，通過事件研究法對(duì)“事件窗口”計(jì)算出超額收益率，結(jié)果雖然表明券商預(yù)測(cè)不完全準(zhǔn)確，但其研報(bào)對(duì)信息的充分收集和分析卻能較好地發(fā)現(xiàn)錯(cuò)誤的市場(chǎng)定價(jià)，通過對(duì)股票評(píng)級(jí)進(jìn)行因子打分最后仍可以建議股票價(jià)格向真實(shí)值回歸。

其次，將突發(fā)事件劃分為三種類型：脈沖式突發(fā)事件、漸進(jìn)變化式突發(fā)事件、臺(tái)階式突發(fā)事件，對(duì)于不同類型的突發(fā)事件建立ARIMA模型的建立，進(jìn)行描述性統(tǒng)計(jì)與單位根檢驗(yàn)，并通過對(duì)股票的實(shí)際值和預(yù)測(cè)值之間的差值判斷其對(duì)市場(chǎng)行情產(chǎn)生何種影響[10]。

最后，進(jìn)行基本面因子分析，即通過研究對(duì)股票價(jià)格影響存在關(guān)系的各類因素進(jìn)行分析，分析研究影響價(jià)格的決定因素及變動(dòng)條件，基于此基礎(chǔ)對(duì)股票的走勢(shì)進(jìn)行分析預(yù)測(cè)，然后評(píng)估證券的內(nèi)在價(jià)值，通過對(duì)多因子選股進(jìn)行建模，選出顯著性相關(guān)的因子，其作用在于為判斷股票市場(chǎng)價(jià)格的高低確立一個(gè)參照標(biāo)準(zhǔn)，組合所選股票進(jìn)行套利投資。同時(shí)關(guān)注股票的系統(tǒng)性風(fēng)險(xiǎn)和企業(yè)風(fēng)險(xiǎn)等相關(guān)風(fēng)險(xiǎn)，留存準(zhǔn)備金在一定程度上減少風(fēng)險(xiǎn)帶來的利益損失，得出一個(gè)比較完善的加權(quán)投資策略。

參考文獻(xiàn)：

• 李曉林.突發(fā)事件對(duì)金融市場(chǎng)的影響研究[D].成都：電子科技大學(xué)，2013.
• 王春麗，劉光，王齊.多因子量化選股模型與擇時(shí)策略[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2018（5）：81-87.
• 陸可，鄒啟鳴，李鳴，等.基于R型聚類－因子分析的指標(biāo)體系簡(jiǎn)化方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2016，25（5）：118-123.
• 齊天鏵.基于灰色模型與ARIMA模型的股票價(jià)格預(yù)測(cè)[J].計(jì)算機(jī)時(shí)代，2021（10）：83-85，89.
• 王文勝，施怡.基于動(dòng)態(tài)因子分析法的中國(guó)旅游業(yè)競(jìng)爭(zhēng)力分析[J].生產(chǎn)力研究，2018（10）：27-30.
• 柳思維，劉鳳根.股票市場(chǎng)弱勢(shì)有效與股票價(jià)格的隨機(jī)游走[J].系統(tǒng)工程，2003，21（6）：71-74.
• 余興.中國(guó)券商研究報(bào)告的預(yù)測(cè)能力分析[D].濟(jì)南：山東大學(xué)，2012.

[8]鄧明光.重大事件下中國(guó)股市跳躍行為特征分析[D].南京：南京財(cái)經(jīng)大學(xué)，2012.

[9]劉先偉.國(guó)外突發(fā)事件對(duì)國(guó)內(nèi)股票市場(chǎng)影響研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

[10]百度學(xué)術(shù).大數(shù)據(jù)背景下風(fēng)險(xiǎn)事件對(duì)證券價(jià)格影響因子[EB].http：//mathfinance.sdu.edu.cn/__local/8/7B/21/0FBD2B3B079409D300EA93DA0FC_B3F9AFFF_B3808.pdf？e=.pdf.

[作者簡(jiǎn)介]耿營(yíng)營(yíng)（1995—），女，漢族，河南開封人，管理科學(xué)與工程碩士，廣東理工學(xué)院經(jīng)濟(jì)管理學(xué)院，研究方向：區(qū)域經(jīng)濟(jì)。