20180912-天风证券-金融工程专题_海外文献推荐第56期_30页_2mb

金融工程：海外文献推荐第56期总结

核心内容

本期海外文献推荐主要围绕盈余公告收益（EAR）与标准化预期外盈利（SUE）以及利用低风险现象增强Black-Litterman模型两个主题展开。此外，还涉及波动率模型及程式化特征的实证分析，对波动率的持续性、均值回归、非对称性以及外生变量的影响进行了深入探讨。

主要观点

1. 盈余公告收益（EAR）与标准化预期外盈利（SUE）

• EAR衡量的是市场对盈余公告中预期外信息的反应，其年化多空收益为 7.55%，比 SUE（年化多空收益为 6.18%）高出 1.37%。
• EAR和 SUE的收益贡献相对独立，两因子组合后的年化多空收益可达到 12.5%，远高于单因子收益。
• EAR在长期持有（如180天以上）中表现更优，没有出现反转效应，而 SUE在持有期较长时会出现反转。
• 在公告后3天的收益中，SUE表现出较强的可预测性，但其预测能力随时间单调下降；EAR则表现出较强的持续性，且不随时间衰减或反转。

2. 利用低风险现象增强Black-Litterman模型

• 低风险异常是指低风险资产往往获得高于高风险资产的回报，这与传统金融理论中的“高风险高收益”假设相悖。
• Black-Litterman模型通过将市场均衡收益与投资者观点结合，构建了基于低风险资产的投资组合。
• 使用机器学习模型（如GPR、SVR、ANN）和传统时间序列模型（如GARCH）预测资产波动性，选择预测最准确的模型用于资产分类。
• 低风险投资组合在夏普比率和超额收益方面优于高风险投资组合，尤其在2000年至2016年的数据中表现显著。
• 低风险投资组合在2008年金融危机期间损失较小，恢复速度更快，说明其具有更强的抗风险能力。

3. 波动率模型与程式化特征

• 波动率模型需具备以下特性：持续性、均值回归、非对称性、外生变量影响和尾部分布。
• GARCH模型在捕捉波动率的持续性和均值回归方面表现较好，但在非对称性和外生变量影响方面存在不足。
• ANN模型在预测波动性方面表现最佳，尤其在MAPE和RMSE指标上优于其他模型。
• 波动性预测的稳定性也对模型选择至关重要，ANN在稳定性方面优于SVR。

关键信息

1. 投资组合构建

• SUE和EAR组合：通过五分位数划分资产，构建25个组合，计算其超额收益。
• 低风险投资组合：根据波动性预测结果，将资产分为低风险（后30%）和高风险（前30%）两组，构建投资组合。
• Black-Litterman模型：将市场均衡收益与投资者观点结合，通过优化投资组合权重，提高收益与风险比。

2. 实验结果

• 低风险投资组合在多个持有期中表现优于高风险组合，尤其是在长期持有时。
• ANN模型在波动性预测方面表现最佳，其预测误差（如MAPE、MAE、RMSE）显著低于其他模型。
• 低风险投资组合在2000年投资100美元的情况下，在2015年时已恢复至120美元，而高风险投资组合则跌至20美元。

3. 风险提示

• 本报告内容基于相关文献，不构成投资建议。

图表说明

• 图1：SUE和EAR组合的公告后收益（%），展示了不同组合在不同持有期的表现。
• 图2：SUE和EAR结合后的公告后收益（%），揭示了两因子协同效应。
• 图3：2000年投资的100美元在不同投资组合中的价值变化，直观显示低风险投资组合的优势。
• 图4：投资组合的统计描述和夏普比率，展示了不同投资组合的风险与收益。
• 图5：ANN结构示意图，说明其组成与预测机制。
• 图6：Black-Litterman模型中投资策略的全过程。
• 图7：理论资本市场线，说明不同投资组合的收益与风险关系。
• 图8：三种模型在韩国市场的夏普比率，对比了模型的预测效果。
• 图9：三种机器学习模型、GARCH和SQRet的表现，展示误差指标。
• 图10：ANN预测波动性的准确率，展示了其在不同年份的表现。

结论

• EAR和SUE在衡量盈余公告反应和预期外盈利方面具有独立性和协同效应，组合使用可提升投资收益。
• 低风险异常在韩国市场尤为显著，通过Black-Litterman模型结合波动性预测，可以构建出更具盈利潜力的低风险投资组合。
• ANN模型在波动性预测方面具有显著优势，能够有效捕捉波动率的程式化特征，为投资组合优化提供支持。