股票选择是系统发育学中的一个问题——来自澳大利亚证券交易所的证据

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：
《Stock Selection as a Problem in Phylogenetics -- Evidence from the ASX》
---
作者：
Hannah Cheng, Juan Zhan, William Rea, Alethea Rea
---
最新提交年份：
2016
---
英文摘要：
  We report the results of fifteen sets of portfolio selection simulations using stocks in the ASX200 index for the period May 2000 to December 2013. We investigated five portfolio selection methods, randomly and from within industrial groups, and three based on neighbor-Net phylogenetic networks. We report that using random, industrial groups, or neighbor-Net phylogenetic networks alone rarely produced statistically significant reduction in risk, though in four out of the five cases in which it did so, the portfolios selected using the phylogenetic networks had the lowest risk. However, we report that when using the neighbor-Net phylogenetic networks in combination with industry group selection that substantial reductions in portfolio return spread were achieved.
---
中文摘要：
我们报告了2000年5月至2013年12月期间，使用ASX200指数中的股票进行的15组投资组合选择模拟的结果。我们调查了五种投资组合选择方法，分别是随机的和行业内的，以及三种基于邻域网系统发育网络的方法。我们报告说，仅使用随机、工业群体或相邻网络系统发育网络很少能在统计学上显著降低风险，尽管在五个案例中，有四个案例是这样做的，使用系统发育网络选择的投资组合的风险最低。然而，我们报告称，当使用邻域网络系统发育网络与行业组选择相结合时，投资组合收益利差显著降低。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--

---
PDF下载：
-->

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：证券交易所 澳大利亚 证券交易 交易所 Quantitative

种群选择是系统发育中的一个问题——来自ASXHannah Cheng Juan Zhan、William Rea和Alethea Rea的证据，1。新西兰坎特伯雷大学经济和金融系2。数据分析澳大利亚珀斯2022摘要我们报告了2000年5月至2013年12月期间使用ASX200指数中的股票进行的一系列投资组合选择模拟的结果。我们研究了五种投资组合选择方法，分别是随机的和来自工业群体的，以及三种基于邻域网系统发育网络的方法。我们报告称，仅使用随机、工业群体或相邻网络系统发育网络很少能在统计学上显著降低风险，尽管在五分之四的情况下，使用系统发育网络选择的投资组合风险最低。然而，我们报告说，当使用邻域网络系统发育网络与产业群选择相结合时，portfolioreturn的传播得到了大幅减少。关键词：股票选择、ASX200、邻居网络、投资组合风险Jel代码：G111简介投资组合多元化对风险管理至关重要，因为它旨在减少与单一股票或类似无差异投资组合相比的回报差异。关于多元化的学术文献非常丰富，至少到了洛温菲尔德（1909年）。多元化的现代科学通常可以追溯到马科维茨（1952年），马科维茨（1991年）对其进行了详细阐述。从某种意义上说，Markowtiz（1952）的方法是最优的，并且在资产的相关性和预期收益不是时变的（因此可以从历史数据中准确估计）或者可以准确预测的情况下无法改进。

不幸的是，这两个条件都不适用于实际市场，为其他方法打开了大门。文献涵盖了投资组合多元化的多种方法，如：；形成多元化投资组合所需的股票数量已从20世纪60年代末的八只股票（Evans和Archer，1968）增加到2000年代末的100多只股票（Domian等人，2007），应考虑哪些类型的风险（续，2001年；Goyal和Santa Clara，2003年；Bali等人，2005年），每只股票的内在因素（Fama和French，1992年；French和Fama，1993年），投资者的年龄（Benzoni等人，2007年），以及国际多元化是否有益（Jorion，1985年；Bai和Green，2010年），等等。近年来，出现了大量将图论方法应用于股票或其他金融市场研究的论文，例如Mantegna（1999）、Onnela等人（2003a）、Onnela等人（2003b）、Bonannoet等人（2004）、Michich等人（2006）、Naylor等人（2007）、Kenett等人（2010）、Djauhari（2012）以及Rea和Rea（2014）等。在实用方面，DiMiguel等人（2009年）列出了15种不同的组合形成方法，并报告了他们的研究结果，其中13种进行了评估。在这15种方法中，没有任何一种利用上述图解法。这就留下了一个悬而未决的问题：这些图论方法能否有效地应用于投资组合选择问题。本文的目的是比较三种网络方法和两种简单的个人投资者规模小的投资组合选择方法。

考虑非常小的投资组合规模有两个动机。首先，尽管多米安等人（2007年）提出了建议，巴伯和奥登（2008年）报告称，在大量美国私人投资者样本中，个人股票的平均投资组合规模仅为4.3。虽然澳大利亚私人投资者似乎无法获得可比数据，但他们似乎不太可能持有更大的投资组合。因此，在实践中需要找到一种方法，最大限度地提高这些投资者的多元化收益。第二，在小型投资组合上测试这些方法，让美国有机会评估网络方法的潜在效益，因为投资组合的规模越大，投资组合与整个市场的相似性就越高，潜在效益就越不明显。单个贡献股票的平均回报率和方差不足以在选择一组股票时做出明智的决定，因为选择一个投资组合需要了解每个可供考虑纳入投资组合的股票之间的相关性。股票之间的相关性数量与股票数量的平方成正比，这意味着除了最小的股票市场之外，对于所有股票市场来说，非常大的相关性超出了人类理解它们的能力。

Rea andRea（2014）提出了一种使用nieghborNet网络可视化相关矩阵的方法（Bryant和Moulton，2004），从而深入了解了股票之间的关系。股票相关性的另一个关键方面是相关性的潜在变化与市场状况的显著变化（比如比较一般市场增长时间与衰退和衰退后时期）。在本文中，我们利用ASX200指数中的股票数据探索澳大利亚证券交易所的投资机会。我们的主要动机是研究五种投资组合选择策略。五种策略是：；1.随机挑选股票；2.从不同的行业群体中挑选股票，形成投资组合；3.通过从不同相关性集群中挑选股票形成投资组合；4.从具有不相关集群的主导产业群中挑选股票，形成投资组合；5.通过从关联集群中的非主导产业群中挑选股票形成投资组合。我们的结果表明，相关集群的知识以及集群内的行业群可以降低投资组合风险。本文概述如下：；第（2）节讨论了本文使用的数据和方法，第（3）节讨论了识别相关聚类，第（4）节介绍了投资组合选择方法的模拟结果，第（5）节包含了讨论和我们的结论。2数据和方法我们使用ASX 200股票的每周价格数据作为我们的数据集。从DataStream获得了2000年5月3日至2013年12月4日期间的每周价格以及股息率和支付日期。

我们在每个股票代码后面加上一两个字母，以确定每个股票的行业类别。根据价格和股息数据计算周回报，用于投资组合形成模拟和估计相关性。相关性是使用基本R中的cor函数（R Core Team，2014）估计的。我们还计算了第二至第六个周期中每个股票的周期回报，以供模拟使用。我们将整个期间划分为图（1）所示的六个较短期间，并使用样本外测试来测试五种分散投资组合的方法对降低风险的有效性。0 1000 2000 3000 4000 5000 6000 7000ASX200指数值EARAS200 INDEX20002001200220032004205200620072008200920102011201220131 2 23 34 45图1:ASX200指数与研究周期边界的曲线图。2.1邻域网拆分图为了能够使用聚类算法（邻域网是一种聚类算法，附录（a）给出了更多细节），我们需要将相关矩阵中的数值转换为可以用作距离的度量。在文献中，最常见的转换方法是使用所谓的超度量，由dij=q2（1）给出- ρij）（1）其中，dijis是与股票i和j之间的估计相关性ρij相对应的距离，详见Mantegna（1999）或Djauhari（2012）。n个股票的典型股票市场相关性矩阵是满秩的，这意味着根据等式（1）转换为距离矩阵后，点的位置（此处为股票）只能在（n）中完全表示- 1） 维度空间。在可视化中，高维数据空间被压缩成一个足够低维的空间，数据可以在二维表面上表示，如页面或计算机屏幕上进行查看。

在数据空间的降维过程中，信息丢失往往是不可避免的。可视化的目标之一是在使数据中的结构对人眼可见的同时最大限度地减少信息损失。使用方程式（1）中的转换，我们对转换后的相关矩阵进行了格式化，并使用适当的股票代码对其进行了扩充，以便读取到Eighbor Net软件SplitsTree中，该软件可从http://www.splitstree.org（Huson和Bryant，2006）。使用SplitsTree软件，我们生成了邻域分割图。由于分割图旨在用于可视化，我们将相关簇及其序列的识别推迟到下文第（3）节讨论。2.2模拟投资组合最近Lee（2011）讨论了所谓的基于风险的资产配置（有时称为风险预算）。与需要每个投资机会的预期风险和预期回报作为投资组合选择过程输入的策略不同，基于风险的分配只考虑预期风险。我们下面介绍的五种投资组合选择方法可以被认为是基于风险的定位方法。这可能反映了私人投资者的行为，因为他们通常只是通过经纪人购买、持有或出售建议来评估可能的回报。通过1000次迭代的模拟，对投资组合形成方法进行了比较。有两组模拟。在第一组模拟中，根据使用周期回报数据管理投资组合类型的规则，对aportfolio进行了抽样。我们记录了1000个投资组合回报的平均值和标准差。第二组模拟是以完全相同的方式进行的，只是使用了每周收益数据，以获得投资组合每周波动的估计值。

每组涵盖五种投资组合形成策略。五种投资组合形成策略是：1。随机选择股票；2.根据行业分组选择股票；3.基于相关性聚类选择股票；和4。根据相邻关联集群内的主导产业群选择股票。5.根据相邻网络相关集群中的非主导产业群选择股票。我们依次描述每一个，将（4）和（5）组合成一个单独的描述。随机选择：使用均匀分布随机选择股票，无需更换。换句话说，每只股票都被赋予了同等的选择权，但在一个单一的投资组合中没有股票被两次选择。按行业组划分：这些股票中有11个行业组。其中一些群体非常小。例如，电信集团在早期只有两名代表，但随着时间的推移，随着被归类为电信行业的其他股票上市或增长到足以纳入指数的规模，这一比例增加。因此，当群体较小时，为了模拟的目的，有必要将其中一些群体合并成较大的群体。随着股票数量的增加，这种需求减少了。我们在第二、第三和第四阶段有八个这样的小组，在第五和第六阶段有九个小组。由于投资组合的最大规模为8只股票，因此，该行业采用均匀分布，无需更换。在每个行业组中，股票都是使用统一分布来选择的。按相关聚类：通过检查相关时段（时段一至五）的邻居网络来确定相关聚类。

每个股票被分配到一个集群，每个集群可以通过相关时期内Eighbor网循环排序的单个分割（或二分）来定义。在第二至第六个周期中，使用第四至第五个周期中确定的聚类分别生成样本外测试的股票组。因为portfoliobuilding的目标是降低风险，所以每个集群都与另一个被认为距离它最远的集群配对。下面将详细讨论这种方法。如果集群数量少于预期的投资组合规模，则随机选择集群对，并从每个相关集群对中选择一只股票。编写模拟代码的目的是，如果所需的投资组合规模大于相关集群的数量，则每个集群组对至少选择了s个股票，其中s是组合规模除以集群数量的商。一些相关组（Portfolize的剩余部分除以聚类数）将选择s+1个Stocks，并使用均匀分布（无需替换）选择该应用的聚类对。然而，在所有情况下，集群的数量都达到或超过了模拟投资组合中的股票数量。按集群内的主导或非主导产业群：最后两种方法涉及从相关集群内的产业群中选择股票。每个集群中的每个股票都有一个关联的行业组。因此，每个相关集群可以根据行业细分为多个子集群。然而，很明显，在许多集群中，一个行业占主导地位，有时超过一半的股票。这导致我们将每个股票分配给主导产业组或非主导产业组，在每个集群中创建两组股票。

这创建了两个不相交的集群集，两个集群中都没有库存。根据这两组不同的股票，在samemanner中进行模拟，如上文“按相关性聚类”所述。这些模拟与上述三种方法不具有可比性，因为样本大小不同，显然，每种方法都涉及数据的一个子集。然而，要注意确保两个亚组的样本大小尽可能接近实际大小。出现了一个问题，尤其是当集群中的股票数量被认为太少时，非主导产业集团的股票。在这些情况下，我们利用了相邻网络产生的循环排序，并将小集群与相邻集群相结合。从上面看没有变化，每个集群都与最远的集群配对。一旦选择了一个簇进行包含，配对簇也是如此，然后使用均匀分布进行选择，如有必要，不进行替换。所有模拟都在R中编码和运行（R核心团队，2014年）。我们使用第一阶段的股票周收益率数据来确定集群，然后观察从不同相关性集群中选取的模拟投资组合（1000个重复）的第二阶段收益率分布。由于在我们的分析中使用了样本外测试，因此根据第二、第三、第四和第五阶段的每周报告生成的图表，在第三、第四、第五和第六阶段继续进行模拟。3相邻网络分割图对于上述五种投资组合模拟方法中的三种，我们需要从相邻网络分割图中识别相关聚类。