测试技术交易规则在中国市场的表现

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Testing the performance of technical trading rules in the Chinese market》
---
作者：
Shan Wang (ECUST), Zhi-Qiang Jiang (ECUST), Sai-Ping Li (Academia
  Sinica), Wei-Xing Zhou (ECUST)
---
最新提交年份：
2015
---
英文摘要：
  Technical trading rules have a long history of being used by practitioners in financial markets. Their profitable ability and efficiency of technical trading rules are yet controversial. In this paper, we test the performance of more than seven thousands traditional technical trading rules on the Shanghai Securities Composite Index (SSCI) from May 21, 1992 through June 30, 2013 and Shanghai Shenzhen 300 Index (SHSZ 300) from April 8, 2005 through June 30, 2013 to check whether an effective trading strategy could be found by using the performance measurements based on the return and Sharpe ratio. To correct for the influence of the data-snooping effect, we adopt the Superior Predictive Ability test to evaluate if there exists a trading rule that can significantly outperform the benchmark. The result shows that for SSCI, technical trading rules offer significant profitability, while for SHSZ 300, this ability is lost. We further partition the SSCI into two sub-series and find that the efficiency of technical trading in sub-series, which have exactly the same spanning period as that of SHSZ 300, is severely weakened. By testing the trading rules on both indexes with a five-year moving window, we find that the financial bubble from 2005 to 2007 greatly improve the effectiveness of technical trading rules. This is consistent with the predictive ability of technical trading rules which appears when the market is less efficient.
---
中文摘要：
技术交易规则在金融市场从业者使用的历史很长。它们的盈利能力和技术交易规则的效率仍存在争议。本文对上海证券综合指数（SSCI）1992年5月21日至2013年6月30日和沪深300指数（SHSZ 300）2005年4月8日至6月30日的7000多条传统技术交易规则的表现进行了测试，2013年，通过基于回报率和夏普比率的绩效衡量，检查是否可以找到有效的交易策略。为了纠正数据窥探效应的影响，我们采用卓越预测能力测试来评估是否存在显著优于基准的交易规则。结果表明，对于SSCI而言，技术性交易规则提供了显著的盈利能力，而对于SHSZ 300而言，这种能力已经丧失。我们进一步将SSCI划分为两个子系列，发现与SHSZ 300具有完全相同的跨越期的子系列中的技术交易效率被严重削弱。通过使用五年移动窗口对两个指数的交易规则进行测试，我们发现2005年至2007年的金融泡沫极大地提高了技术交易规则的有效性。这与市场效率较低时出现的技术交易规则的预测能力是一致的。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Testing_the_performance_of_technical_trading_rules_in_the_Chinese_market.pdf (1.64 MB)

2022-5-8 03:51:53 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：技术交易 中国市场 交易规则 Quantitative Measurements

测试技术交易规则在中国市场上的表现，*, 李世平，c，周伟星A，b，d，*华东理工大学商学院金融学系，上海200237，华东理工大学经济物理研究中心，上海200237，中国科学院物理研究所，台北南康11529，华东理工大学理学院台湾数学系，中国上海200237摘要金融市场从业者使用技术交易规则有着悠久的历史。他们的专业能力和技术交易规则的效率仍然存在争议。本文对上海证券综合指数（SSCI）1992年5月21日至2013年6月30日和沪深300指数（SHSZ 300）4月8日的7000多条传统技术交易规则的表现进行了测试，2005年至2013年6月30日，检查是否可以通过使用基于回报率和夏普比率的绩效衡量找到有效的交易策略。为了纠正数据窥探效应的影响，我们采用卓越可预测性测试来评估是否存在显著优于基准的交易规则。结果表明，对于SSCI而言，技术交易规则提供了显著的稳定性，而对于SHSZ 300而言，这种能力已经丧失。我们进一步将SSCI划分为两个子系列，发现子系列技术交易的效率严重削弱，其跨越期与SHSZ 300的跨越期完全相同。通过用五年移动窗口测试这两个指数的交易规则，我们发现2005年至2007年的金融泡沫极大地提高了技术交易规则的有效性。

这与市场效率较低时出现的技术交易规则的预测能力一致。关键词：经济物理学、技术分析、数据窥探、自举法、卓越的预测能力1。引言技术交易规则已被广泛用于检测金融从业者的市场趋势。学术界已经开展了大量研究，试图回答技术策略是否有助于将交易规则应用于不同金融市场的问题，但却给出了相反的结论。一方面，一些学者主张，技术规则确实具有赚取超额利润的预测能力。Treynor和Ferguson发现，根据过去的价格和其他有价值的信息，有可能获得异常利润[1]。布罗克等人还表示，在美国市场，技术交易规则应用于道琼斯工业平均指数（DJIA）时，可能会揭示某些特定的回报模式[2]。在欧洲货币体系中，Neely等人报告称，即使使用样本外测试，技术交易规则也可能有用[3]。另一方面，其他研究人员发现技术规则是无用的。Lucke对外汇市场上的正面交易规则的有效性进行了测试，发现正面交易规则的回报率并不显著为正[4]。Anderson和Faff发现，在期货市场中，技术交易规则的好处并不明显[5]。为了调查技术交易规则的有效性，Kung使用台湾证券交易所加权指数重点研究了买入信号和卖出信号产生的利润，并发现在这些规则中，买入信号的回报高于卖出信号的回报。

与1975-1985年和1986-1996年相比，1997-2007年的预测能力变得不那么有效，这表明台湾股市的效率有所提高。[6]. 方使用了样本外测试，发现没有任何技术交易规则具有预测能力[7]。*通讯作者。电子邮件地址：zqjiang@ecust.edu.cn(姜志强)，wxzhou@ecust.edu.cn（周卫星）2015年4月27日提交给爱思唯尔的预印本显然，技术交易策略的可行性取决于市场状态和具体交易规则的选择。Yu等人认为，技术交易规则的预测能力只有在市场不充分时才会出现[8]。Hudson等人通过在英国市场上使用技术分析来测试赚取超额回报的可能性，并发现尽管技术交易规则确实具有预测能力，但考虑到交易成本，它会显著减弱[9]。由于数据窥探效应，技术交易规则的有效性进一步受到质疑，当同一数据被多次用于推理或模型选择时，就会发生这种效应。如果最好的模型是通过广泛的规格搜索得到的，那么这个好的模型很可能是靠运气选择的，而不是它的实际预测能力[10]。所有被测试的交易规则之间存在相关性，这意味着数据窥探效应将不可避免地放大传统假设检验的显著水平。詹森和本宁顿证明，窥探技术交易规则表现的数据是一种选择偏见[11]。Lo和Mac Kinlay通过分析计算和模拟表明，数据窥探的影响是巨大的[12]。

Brock等人还认识到数据窥探和评估的存在，通过对原始数据进行多个模型拟合，并通过对残差进行重新采样创建了新的样本系列[2]。他们对美国股市应用了26条简单的交易规则，包括移动平均线和区间突破规则，并发现技术分析确实能够提供重要的经济内容。为了纠正数据窥探引起的偏差效应，提出了一种称为“怀特真实性检查”（简称WRC）的统计测试，以检验技术交易规则的优势是真实的还是仅仅来自运气[10]。Sullivan el-al还应用了这项测试来检查技术策略（7846条交易规则）在道琼斯工业平均指数（DJIA）和标准普尔500指数（S&P 500 index）中是否具有预测力，并发现最佳交易规则的优异表现可以超过基准，但在样本外实验中无法重复[13]。Chen等人在亚洲股市中测试了与参考文献[13]中相同的交易策略，发现不同市场的WRC p值并不相同。他们还发现，亚洲股市的预测能力不如美国。由于WRC测试的不足，当糟糕的交易规则产生负面的绩效衡量时，其p值会增加，因此提出了优越预测能力（SPA）测试来检查优越模型的可预测性[14]。Hsu和Kuan通过使用WRC和SPA测试重新检查了四个指数中设置的技术交易规则的可行性，发现这些交易规则只能在年轻市场（纳斯达克综合指数和罗素指数）而不是发达市场（道琼斯工业平均指数和标普500指数）中获利。Hsu等人进一步将WRC和SPA测试扩展为逐步SPA测试和逐步现实检查测试。

通过这两项扩展测试，他们检验了新兴市场技术交易规则的预测能力，并证明技术交易规则确实具有显著的预测能力。Park等人使用WRC和SPA测试来调查技术交易规则在美国期货市场的可行性，发现最佳交易规则仅对某些期货合同产生统计上显著的经济效益[15]。这表明，考虑到数据窥探偏见，技术交易规则在美国期货市场通常不具备有利的能力。Shynkevich将技术交易规则应用于美国股票市场的成长型和小盘股细分市场，并发现在考虑数据窥探时，机械交易策略已经失去了预测能力[16]。在本文中，我们将把7846交易规则应用于中国股市的上证综合指数（SSCI）和上深300指数（SHSZ 300），研究在考虑数据窥探效应的情况下，这些技术性交易规则是否能够产生效益。本文安排如下。第二节，我们介绍数据信息。所有交易规则和基准见第3节。第4节，我们将描述SPA测试的细节。在第5节中，我们将展示实证结果。第六部分是结论。2.数据集我们将策略池中的交易规则应用于中国股市的两个重要指数（SSCI和SHSZ 300），通过SPA测试调查哪种技术策略的表现最好。这两个每日指数均由金融数据公司RESET和中国投资证券数据库提供。SSCIcovers从1992年5月21日到2013年6月30日，共有5144个数据点。

SHSZ 300涵盖了从2005年4月8日到2013年6月30日的一段时间，得出了1996个数据点。我们估计了日对数差收益率，发现SSCI和SHSZ 300的最大日收益率分别为28.86%和8.93%。SSCI和SHSZ 300的小电流是-17.91%和-9.70%. 我们还发现，有32个回报值大于10%或小于10%-SSCI为10%。所有这些回报都发生在1996年12月16日中国市场推出限价规则之前。我们还估计了这两个指数的日收益率的偏度和峰度。SSCI收益的陡度为1.18，这表明收益分布是右偏的。对于SHSZ 300，返回分布有点左偏，相应的偏斜度为-0.37。这两个指数的峰度值都大于3，这是正态分布的典型值。对于SSCI，峰度为22。07，大约是SHSZ 300的峰度5.71的四倍。这意味着收益分配具有轻量级的特征。3.技术交易规则和基准首先，有必要指定将要测试的所有技术交易规则。Brock等人使用26条简单的交易规则来测试技术交易策略在美国市场的表现[2]。Sullivanet al.将这些简单的交易规则扩展到更大的通用技术分析空间[13]，参考文献[17]也对其进行了测试。我们的分析也基于这个通用技术分析空间，该空间包括来自五个主要技术分析目录的7846条交易规则，即过滤规则、移动平均线、支撑和阻力、通道突破和平衡成交量平均线。3.1. 过滤规则参考文献[18]解释了标准过滤规则。x%过滤器定义如下。

该股票应在每日收盘价上涨至少x%时买入，持仓将一直保持，直到其价格从随后的高点下跌至少x%，同时投资者应卖出该股票并空仓。该空头头寸一直维持到日收盘价至少比随后的低点高出x%，此时投资者补仓并购买证券。任何方向上小于X的运动都将被忽略。我们依靠四个参数来实施过滤规则：（1）价格变化来启动空头或多头仓位x（0.005、0.01、0.015、0.02、0.025、0.03、0.035、0.04、0.045、0.05、0.06、0.07、0.08、0.09、0.1、0.12、0.14、0.16、0.18、0.2、0.25、0.3、0.4、0.5，范围从0.005到0.5，总共给出24个值）；（2） 通过改变价格来平仓b（0.005、0.01、0.015、0.02、0.025、0.03、0.04、0.05、0.075、0.1、0.15、0.2，总共给出12个值），这意味着当价格下跌（上涨）b%时，多头或空头仓位将被平仓；（3） 随后的极值，即小于（大于）e之前收盘价的最近收盘价（1、2、3、4、5、10、15、20，总共给出8个值）；（4） 持有职位的天数（5天、10天、25天或50天，总共4个值）。所有这些参数加在一起给出了总共497条过滤规则。3.2. 移动平均是另一种非常流行的技术策略。当短期平均价格从下方（上方）越过长期平均价格时，会产生买入（卖出）信号。

我们需要五个参数来执行移动平均线规则的程序：（1）用于计算短期和长期移动平均数n的天数（范围从2到250，即2、5、10、15、20、25、30、40、50、75、100、125、150、200、250，总共给出15个值）；（2） 预先定义的b带，以确保短期移动平均线大于或小于长期移动平均线，从而产生信号（0.001、0.005、0.01、0.015、0.02、0.03、0.04、0.05，给出8个值），从而在股票处于动荡状态时减少噪声信号；（3） 在采取措施之前，信号主要有效的天数（2天、3天、4天或5天，总共4个值）；（4） 职位应保持的天数（5天、10天、25天或50天，共4个值）。此外，增加了参考文献[2]中的9个MA规则，其中结合了1、2和5天的短期MA和50、150、200天的长期MA，以及1%的波段和10天的持有期。所有这些导致了2049条交易规则。3.3. 支持和阻力支持和阻力策略是当收盘价上升（下降）超过前n天的最高（最低）收盘价时买入（卖出）（5、10、15、20、25、50、100、150、200、250，总共给出10个值）。另一种方法是使用大于或小于前一收盘价的最近收盘价作为最大值或最小值（2、3、4、5、10、20、25、50、100、200，总共给出10个值）。与移动平均值一样，可以包括固定百分比的过滤带b（0.001、0.005、0.01、0.015、0.02、0.03、0.04、0.05，总共给出8个值）、延时过滤天（2、3、4或5天，总共给出4个值）和固定保持时间c天（5、10、25或50天，总共给出4个值）。这导致了1220条规则。3.4.

通道突破当前n天（5、10、15、20、25、50、100、150、200、250，共给出10个值）的高低差在低位的x%以内（0.005、0.01、0.02、0.02、0.05、0.075、0.1、0.15，共给出8个值）时，可以确定股票运动通道。当收盘价在上（下）通道上（下）移动时，就会产生买入（卖出）信号。当一个过滤带被包括在内时，这意味着变化不应小于b加强（0.001、0.005、0.01、0.015、0.02、0.03、0.04、0.05，总共给出8个值），以及持仓c天（5、10、25或50天，总共给出4个值），将生成更多规则。所有这些排列总共将产生2040条规则。3.5. 平衡交易量平均策略基于移动平均规则。这里，移动平均法采用的是总成交量指标（OBV），而不是股价。然后，以与移动平均线规则相同的方式生成买入或卖出信号。OBV的计算方法是，保持指标到达日的运行总数，并在收盘价上涨（下跌）时，将每日交易量的总和相加（减去）。我们在这一类共有2040条规则。3.6. 基准设定基准是为了找出一条优于市场的交易规则。不同的实证研究使用不同的标准来确定基准。根据参考文献[2]中的内容，我们的基准已退出市场。4.卓越的预测能力测试在技术交易规则文献中的大多数现有工作中，最可靠的交易规则通常是通过将一组交易规则应用于过去的数据而获得的。因此，一些交易规则可能只是偶然选择的，而不是它们的实际预测能力，这主要是由于数据窥探效应。