php若何断定拐点技巧_若何猜测中国股市的下行拐点

文章目录 [+]

1、作为西学东渐--外洋文献推举系列报告第三十七篇，本文推举了Sébastien Lleo and William T. Ziemba于2018年揭橥的论文《Predicting Stock Market Crashes in China》。

2、预测中国股市的下行拐点对付掌握投资风险意义重大。
本体裁系性地先容了如何利用基本面模型预测股指下行拐点，并实证考验了三个基本面模型对上证综指和深圳综指下行拐点的预测效果。

php若何断定拐点技巧_若何猜测中国股市的下行拐点

3、基本面模型的事理直不雅观易懂：模型利用市盈率（P/E）、周期调度市盈率（CAPE）、股债收益差（BSEYD）等指标衡量当前股市估值水平，并在估值水平超过阈值时发出警示旗子暗记。

（图片来自网络侵删）

4、实证结果显示，基本面模型对深圳综指下行拐点的预测准确度可达100%。
在三个基本面模型中，P/E模型和CAPE模型的预测效果比BSEYD模型更好。

一、弁言

中国股市是环球最引人瞩目的股票市场之一。
中国股市的规模、构造和发展速率不仅影响了股市表现，还导致股市大跌频繁发生。
中国股市26年历史上发生过22次大跌，个中最新的一次是2015年的大跌。

关于股市泡沫的经典文献有Blanchard和Watson [1982]；Flood, Hodrick和Kaplan[1986]；Diba和Grossman [1988]；Camerer[1989]；Allen和Gorton [1993]；Abreu和Brunnermeier [2003]；Corgnet et al. [2015]；Andrade, Odean,和Lin [2016]；Goetzmann[2016]；以及Ziemba, Lleo，和Zhitlukhin[2017]。
最近，有学者揭橥了关于股市下行拐点预测模型的论文。
我们可以根据模型利用的方法和变量，将股市下行拐点预测模型分为三大类：基本面模型，随机模型和行为模型。

基本面模型利用股票价格、企业利润、利率、通胀率和国民生产总值（GNP）等变量来预测股市下行拐点。
此种别中最早的模型是股债收益差(Bond-stocks earnings yield differential, BSEYD)模型，BSEYD是指长期政府债券收益率与股票市场收益率之间的差额(Ziemba and Schwartz [1991]；Lleo和Ziemba [2012, 2015, 2017])。
其它基本面模型有：市盈率(P/E)模型；Robert Shiller提出的周期调度市盈率(Cyclically adjusted P/E, CAPE)模型(Lleo和Ziemba [2017])，个中CAPE是指经通胀调度后的S&P500身分股十年均匀收益除以S&P500指数；WarrenBuffett提出的流利股总市值与GNP比值模型(Buffett和Loomis [1999, 2001]；Lleo和Ziemba [2018])。

随机模型构建了资产价格的概率表达式，研究了离散或连续韶光随机过程。
随机模型的范例代表有局部鞅模型(local martingale model)(Jarrow, Kchia,和Protter [2011a,2011b, 2011c])；停时混乱检测模型(stopping time disorder detection model)(Shiryaev和Zhitlukhin [2012a, 2012b]；Shiryaev,Zhitlukhin,和Ziemba [2014, 2015])；地震模型(earthquake model)(Gresnigt,Kole和Franses [2015])。
个中，地震模型将盛行型余震序列(epidemic-type aftershock sequence, ETAS)地球物理模型运用在股市中。

行为模型研究了股市下行拐点与市场感情和行为偏差之间的关系。
Goetzmann, Kim, and Shiller [2016]利用针对美国个人和机构投资者26年间的定期调查数据，来评估市场大跌的主不雅观概率(subjective probabilities)，并研究了行为偏差对主不雅观概率判断的影响。
他们创造，单日股市大跌(诸如1987年或1929年的玄色星期五)的均匀主不雅观概率大约是实际历史频率的10倍。
这项研究与最近揭橥的有关衡量投资者感情(Fisher和Statman [2000, 2003]；Baker和Wurgler [2006])、识别集体偏差(collective biases，包括过度自傲、过度乐不雅观等)(Barone-Adesi, Mancini和Shefrin [2013])的研究息息相关。

股市下行拐点预测模型曾由于某些成功预测的案例而成名，但过去一贯没有系统性的统计方法来实证考验它们的预测效果。
Lleo和Ziemba [2017]提出了一个针对下行拐点预测模型的统计显著性考验方法——似然比考验，它可以用于任何下行拐点预测模型。

本文考验了三个基本面模型(BSEYD、P/E和CAPE)对中国股市下行拐点的预测效果。
我们不考虑沃伦•巴菲特（Warren Buffett）提出的流利股总市值与GNP比值模型，由于这一指标的打算频率太低，在中国市场缺少足够的数据样本。

本文关注中国股市的两大指数：上证综指（SHCOMP）和深圳综指（SZECOMP）。
基本面模型最初大多都是基于西方成熟股市的数据提出的，因而在中国股市做考验特殊具有寻衅性和启示性。
通过这一考验，我们对中国股市的统计特色以及下行拐点预测模型的主要性有了新的认识。

二、中国股市概述

中国大陆有两家紧张的证券交易所，上海证券交易所和深圳证券交易所。
上海证券交易所成立于1990年11月26日，1990年12月19日开始业务。
深圳证券交易所成立于1990年12月1日，1991年7月3日开始业务。
中国最大和最成熟的公司常日在上交所上市交易，而规模较小的私营公司大多在厚交所上市交易。
截至2017年11月，上证综指和深圳综指分别包括了1388家和2074家上市公司（天下交易所联合会[2017]）。
上海证券交易所总规模更大。

2017年前11个月，上海和深圳证券交易所的均匀市值为8万亿美元，是继纽约证券交易所（20万亿美元）和纳斯达克（9万亿美元）之后，日本交易所（6万亿美元）、伦敦证交所(4万亿美元)之前的天下第三大股票市场（天下交易所联合会[2017]）。

中国股市正处于一体化进程中。
2014年11月17日，中国政府启动了沪港通，使双方市场的投资者可以在另一个市场交易股票。
2016年12月5日，中国政府启动了深港通。

中国公司可以在海内或国外通过各种方案上市。
在海内，公司可以发行两种类型的股票：

1、A股：以公民币计价，在上海或深圳证券交易所上市的普通股。
2017年6月20日，摩根士丹利成本国际公司（MSCI Inc.）宣告将A股纳入其新兴市场指数。

2、B股：以外币计价，在海内证券交易所上市的分外目的股票。
2001年前，只有外国投资者才能得到B股。

除B股外，想投资中国股市的外国投资者也可购买：

1、H股：以港元计价，在喷鼻香港联交所交易的股份。

2、L-chip，N-chip和S-chip：在中国开展主营业务，但分别在伦敦，纽约和新加坡注册成立的公司的股票。

3、美国存托凭据（ADR）：ADR是由美国银行发行的可转让凭据，代表在美国交易所交易的外国股票中的特天命量的股票（1股）。
截至2017年11月，有96只中国ADR在美国交易所上市，另有200只中国ADR在美国场外交易市场上市。

4、红筹股：在中国大陆以外注册,但由中国国有企业（SOEs）拥有或实际掌握的公司股份。

5、P-chips：在中国大陆以外地区（如喷鼻香港证券交易所）交易的私营企业股票。

上海和深圳证券交易所是中国股市的主要组成部分，但它们并不代表全体市场。
本文侧重研究上海和深圳证券交易所股市的下行拐点。
上证综指和深圳综指分别是两个交易所上市所有股票的市值加权指数。

三、股市下行拐点的界定

自上世纪90年代初成立以来，上证综指和深证综指的回报率一贯颠簸剧烈。
巨大的颠簸性使得大型券商购买大量单支股票的看跌期权和看涨期权（跨式组合Straddle）总是有利可图。
本文紧张研究股指大幅下跌的情形。

我们将股市下行拐点定义为，在一年（252个交易日）内，从高峰到低谷的收盘价跌幅至少为10%，这与Alleo和Ziemba[2015,2017]的定义同等。
详细而言，股市下行拐点的识别算法如下：

1、识别数据集中的所有局部低谷。
如果在某天的前后30个交易日内没有更低的收盘价，那么我们将当天剖断为一个局部低谷。

2、识别股市下行拐点。
如果符合以下所有条件，则当日是股市下行拐点识别日：

a)指数今日收盘价较去年内最高峰下跌至少10%，而昨日收盘价较去年内最高峰跌幅小于10%；

b)该指数在本次下行拐点前达到的高峰与前一次下行拐点对应的最高峰不同；

c)该指数在本次下行拐点前达到的高峰与下一次下行拐点对应的最高峰不同。

这些规则的目的是验证我们所识别的下行拐点不相互重复。
只管这些规则可能会引起争议，但它们具有明确、稳健和易于运用的优点。

根据上述识别算法，在1990年12月19日至2016年6月30日期间，上证综指共涌现22次下行拐点(见图表1)，高峰到低谷的均匀持续期间为163天，均匀下跌幅度为28%。
相较之下，标普500指数从1964年1月31日到2014年12月31日的50年间仅经历了22次下行拐点(Lleo and Ziemba[2017])。

深圳综指在1991年4月3日至2016年6月30日期间共涌现了21次下行拐点(见图表2)，高峰到低谷的均匀持续期间为122天，均匀下跌幅度为26%。
可见，上证综指的均匀下跌韶光长于深证综指，而二者的下跌幅度相称。

四、股市下行拐点预测模型

五、P/E模型

5.1

研究样本

早在20世纪30年代，业界就开始利用市盈率来衡量个股和股市的相对估值水平。
例如，Graham and Dodd [1934]谈论了市盈率对付证券剖析和估值的浸染。
在具有里程碑意义的一篇论文Campbell and Shiller [1988]中，作者创造，用十年均匀对数S&P500指数，对利用10年或30年均匀收益打算的对数市盈率做回归，R方分别为0.566和0.401。
此外，Campbell and Shiller [1998]创造，利用平滑后的盈余打算的市盈率能比股息率更好地预测十年期股价的增长。

在本节中，我们测试了用当期收益打算的市盈率对股市下行拐点的预测能力。
对付上证综指，在1990年12月至2016年6月的全体期间，股票当期收益数据均可得，共计6243个日度不雅观察值。
而对付深圳综指，2001年7月2日之后才有股票当期收益数据，共计3640个日度不雅观察值。
为了利用似然比考验，我们须要打算先验概率，即从样本中随机选取一天，在之后一年内发生股市大跌的概率。

5.2

研究结果

如图表3所示，对付上证综指，市盈率和对数市盈率模型分别产生了19个和18个旗子暗记（利用基于正态分布的置信区间），预测准确率将近90%。
利用正态分布或Cantelli不等式的结果相差无几。

我们创造，先验概率非常高，达到70%。
似然比考验显示，在90%的置信水平下，市盈率和对数市盈率都是能预测股市下行拐点的显著指标。
此外，利用正态分布的市盈率指标和利用Cantelli不等式的对数市盈率指标在95%置信水平下是显著的。
因此，我们认为市盈率和对数市盈率指标能够预测股市下行拐点。

如图表3所示，对付深圳综指，市盈率和对数市盈率指标分别产生了8~9个旗子暗记，预测准确率在87.5%-88.89%。
利用正态分布或Cantelli不等式的结果相差无几。

我们还利用蒙特卡罗剖析办理了小样本偏误问题，创造所有指标在90%的置信水平下仍是显著的。

六、周期调度市盈率(CAPE)模型和股债收益差(BSEYD)模型

6.1

研究样本

利用当前盈余打算的市盈率可能会对当前经济和市场状况过于敏感。
Graham and Dodd [1934]警示了这一点，并提出可以利用十年均匀盈利打算市盈率。
Shiller[2005]建议利用CAPE，即利用通胀调度后的过去十年均匀盈利和股价，来预测股权风险溢价的变革。

由于CAPE10和BSEYD10须要过去十年均匀盈利数据和10年期中国国债收益数据（彭博数据库中从2006年10月31日开始），我们不能利用全样本期的股市数据。
因此，本节的剖析仅研究2006年10月31日至2016年6月30日的样本。
2005年，中国通过了大型金融市场改革，包括取消非流利股、修订证券法和公法律等，我们的样本期不包含这一期间。

BSEYD模型将股票收益比(市盈率的倒数)和国债名义收益率相联系，即

我们测试了以下四个指标预测股市下行拐点的效果：

1、PE0：利用当前盈余打算的市盈率，即上一节中利用的指标。

2、CAPE10：利用过去十年均匀盈利打算的市盈率。

3、BSEYD0：利用当前盈余打算的BSEYD。

4、BSETD10：利用过去十年均匀盈利打算的BSEYD。

我们还测试了以上指标的对数值：logPE0，logCAPE10，log-BSEYD0和logBSEYD10。
个中，logBSEYD10定义为

6.2

研究结果

在此样本期间，上证综指经历了7次下行拐点，而深证综指经历了9次。
图表4显示了基于正态分布置信区间的结果。
基于Cantelli不等式的结果与基于正态分布的结果险些相同。

对付上证综指，所有指标产生旗子暗记的次数都不超过5。
CAPE，logCAPE和BSEYD10各产生了3次旗子暗记。
从指标的准确度看，logBSEYD0最低(40%)，CAPE10和logCAPE10最高(100%)。
8个指标中只有5个指标的准确度超过75%。
相较之下，随机选取一天，在当天之后一年发生大跌的先验概率是71%。
由于样本期间短，下行拐点次数少，只有CAPE10和logCAPE10是显著的。
但是，这两个模型只预测了6次下行拐点中的3次。

从整体上看，所有模型对上证综指下行拐点的预测效果都不是特殊好。
PE0和logPE0在全样本期间是显著的预测指标，但在子样本期间不显著，只管预测准确度比略高。

对付上证综指，BSYED模型的效果不如P/E模型好。
而对付美国股市，BSYED模型的效果比P/E模型和CAPE模型都更好(Lleo and Ziemba [2017])。
这彷佛有些令人费解，由于BSYED模型比P/E模型包含了更多信息，即有关国债利率的信息。
一种可能的阐明是，中国债券市场的微不雅观构造分外，利率水平被人为压低，使得无论股票估值水平如何，债券投资一贯不受欢迎。

对付深圳综指，结果明显不同：除了BSYED10之外，所有指标的准确率均为100%。
BSYED10发出的七个旗子暗记中有六个精确，准确率为86%；只管这比 (约67%)高，但由于样本太小，该差异不是统计显著的。

上证综指和深证综指的结果存在差异，这种差异是由样本中的股市下行拐点次数太少造成的，还是由两个指数的微不雅观构造差异造成的？只管全样本期间的市盈率预测结果支持第一种阐明，但考虑到中国市场的微不雅观构造，第二种阐明也是可能的。
在上海和深圳证券交易所上市的紧张分别是两种不同类型的公司：国有企业和私营企业。
支持国有企业的政府干预可能会延迟乃至防止上证指数的大跌，从而降落下行拐点预测模型的准确性。

关于小样本偏差的蒙特卡罗剖析结果支持了最大似然估计结果。
小样本偏差对本文的结果影响很小。

七、结论

中国股市的规模、范围、构造以及发展速率使它成为一个独特、有寻衅性、有代价的考验股市下行拐点预测模型的样本。
总的来说，本文的贡献在于，证明了最初为成熟市场开拓的股市下行拐点预测模型也可以用于快速增长的中国股市。

在全样本期间，对付两个指数，P/E都是统计显著的预测指标。
在九年样本期间，对付上证综指，BSEYD、PE、CAPE及其对数表现不佳。
而对付深圳综指，险些所有指标都表现得非常好，预测准确度达到100%。
这些指标对两个指数预测精度上的差异，揭示了中国股票市场与债券市场的关系，以及两家证券交易所微不雅观构造的差异。

八、附录

8.1

最大似然估计

8.2

似然比考验

参考文献

【1】Abreu, D., and M.K. Brunnermeier. “Bubbles and Crashes.”Econometrica, Vol. 71, No. 1 (2003), pp. 173-204.

【2】Allen, F., and G. Gorton. “Churning Bubbles.” The Review ofEconomic Studies, Vol. 60, No. 4 (1993), pp. 813-836.

【3】Andrade, E.B., T. Odean, and S. Lin. “Bubbling with Excitement:An Experiment.” Review of Finance, Vol. 20, No. 2(2016), pp. 447-466.

【4】Baker, M., and J. Wurgler. “Investor Sentiment and theCross-Section of Stock Returns.” The Journal of Finance,Vol. 61, No. 4 (2006), pp. 1645-1680.

【5】Barone-Adesi, G., L. Mancini, and H. Shefrin. “A Tale of Two Investors: Estimating Optimism and Overconfidence.” Technical report, 2013.

【6】Blanchard, O.J., and M.W. Watson. “Bubbles, Rational Expectations, and Financial Markets.” In Crisis in the Economic and Financial Structure, edited by P. Wachtel,pp. 295-315. Lanham, MA: Lexington Books, 1982.

【7】Buffett, W., and C. Loomis. “Mr. Buffett on the Stock Market.” FORTUNE Magazine, November 22, 1999.

【8】——. “Warren Buffett on the Stock Market.” FORTUNE Magazine, December 10, 2001.

【9】Camerer, C. “Bubbles and Fads in Asset Prices.” Journal of Economic Surveys, Vol. 3, No. 1 (1989), pp. 3-14.

【10】Campbell, J.Y., and R.J. Shiller. “‘Stock Prices, Earnings, and Expected Dividends’ in ‘Papers and Proceedings of the Forty-Seventh Annual Meeting of the American Finance Association, Chicago, Illinois, December 28–30, 1987.’” The Journal of Finance, Vol. 43, No. 3 (1988), pp. 661-676.

【11】——. “Valuation Ratios and the Long-Run Stock Market Outlook.” The Journal of Portfolio Management, Vol. 24, No. 2, (1998), pp. 11-26.

【12】Corgnet, B., R. Hernán-González, P. Kujal, and D. Porter. “The Effect of Earned versus House Money on Price Bubble Formation in Experimental Asset Markets.” Review of Finance, Vol. 19, No. 4 (2015), pp. 1455-1488.

【13】Diba, B.T., and H.I. Grossman. “The Theory of Rational Bubbles in Stock Prices.” The Economic Journal, Vol. 98, No. 392 (1988), pp. 746-754.

【14】Fisher, K., and M. Statman. “Investor Sentiment and Stock Returns.” Financial Analysts Journal, Vol. 56, No. 2 (2000), pp. 16-23.

【15】——. “Consumer Confidence and Stock Returns.” The Journal of Portfolio Management, Vol. 30, No. 1 (2003), pp. 115-127.

【16】Fisher, R.A. Statistical Methods for Research Workers, 5th edition. Edinburgh and London, UK: Oliver & Boyd, 1933.

【17】Flood, R.P., R.J. Hodrick, and P. Kaplan. “An Evaluation of Recent Evidence on Stock Market Bubbles.” NBER Working Paper No. w1971, 1986.

【18】Goetzmann, W. “Bubble Investing: Learning from History.” In Financial Market History: Reflections on the Past for Investors Today, edited by E. Dimson and D. Chambers,pp. 149-168. Charlottesville, VA: Research Foundation of the CFA Institute, 2016.

【19】Goetzmann, W., D. Kim, and R. Shiller. “Crash Beliefs from Investor Surveys.” Working

paper, 2016.

【20】Graham, B., and D.L. Dodd. Security Analysis, 1st edition. New York, NY: Whittlesey House, 1934.

【21】Gresnigt, F., E. Kole, and P. Franses. “Interpreting Financial Market Crashes as Earthquakes: A New Early Warning System for Medium-Term Crashes.” Journal of Banking & Finance, 56 (2015), pp. 123-139.

【22】Grimmett, G., and D. Stirzaker. Probability and Random Processes. Oxford, UK: Oxford University Press, 2001.

【23】Jarrow, R.A. “Detecting Asset Price Bubbles.” The Journal of Derivatives, Vol. 20, No. 1 (2012), pp. 30-34.

【24】Jarrow, R.A., Y. Kchia, and P. Protter. “How to Detect an Asset Bubble.” SIAM Journal on Financial Mathematics, 2 (2011a), pp. 839-865.

【25】——. “Is There a Bubble in LinkedIn’s Stock Price?” The Journal of Portfolio Management, Vol. 38, No. 1 (2011b), pp. 125-130.

【26】——. “A Real-Time Bubble Detection Methodology.” Bloomberg Risk Newsletter, 2011c.

【27】Lleo, S., and W.T. Ziemba. “Stock Market Crashes in 2007–2009: Were We Able to Predict Them?” Quantitative Finance, Vol. 12, No. 8 (2012), pp. 1161-1187.

【28】——. “Some Historical Perspectives on the Bond-Stock Yield Model for Crash Prediction around the World.” International Journal of Forecasting, Vol. 31, No. 2 (2015), pp. 399-425.

【29】——. “Does the Bond-Stock Earnings Yield Differential Model Predict Equity Market Corrections Better Than High P/E Models?” Financial Markets, Institutions & Instruments, Vol. 26, No. 2 (2017), pp. 61-123.

【30】——. “Can Warren Buffett Forecast Equity Market Corrections?” Technical report, 2018.

Neyman, J. “On the Two Different Aspects of the RepresentativeMethod: The Method of Stratified Sampling and theMethod of Purposive Selection.” Journal of the Royal StatisticalSociety, Vol. 97, No. 4 (1934), pp. 558-625.

【31】——. “Outline of a Theory of Statistical Estimation Based onthe Classical Theory of Probability.” Philosophical Transactionsof the Royal Society A, Vol. 236, No. 767 (1937), pp. 333-380.

【32】Neyman, J., and E.S. Pearson. “The Testing of StatisticalHypotheses in Relation to Probabilities a Priori.” MathematicalProceedings of the Cambridge Philosophical Society, 29 (1933),pp. 492-510.

【33】Shiller, R.J. Irrational Exuberance, 2nd edition. Princeton, NJ:Princeton University Press, 2005.

【34】Shiryaev, A.N., and M.V. Zhitlukhin. “Bayesian DisorderDetection Problems on Filtered Probability Spaces.” Theoryof Probability and Its Applications, Vol. 57, No. 3 (2012a),pp. 497-511.

【35】——. “Optimal Stopping Problems for a Brownian Motionwith a Disorder on a Finite Interval.” Technical report,arXiv:1212.3709, 2012b.

【36】Shiryaev, A.N., M.V. Zhitlukhin, and W.T. Ziemba. “Whento Sell Apple and the Nasdaq 100? Trading Bubbles with a StochasticDisorder Model.” The Journal of Portfolio Management,Vol. 40, No. 2 (2014), pp. 1-10.

【37】——. “Land and Stock Bubbles, Crashes and Exit Strategiesin Japan, circa 1990 and in 2013.” Quantitative Finance,Vol. 15, No. 9 (2015), pp. 1449-1469.

【38】World Federation of Exchanges, “Monthly Reports.”2017. http://www.world-exchanges.org/home/index.php/statistics/monthly-reports.

【39】Ziemba, W.T., S. Lleo, and M.V. Zhitlukhin. Stock MarketCrashes: Predictable and Unpredictable and What to Do AboutThem, Singapore: World Scientific, 2017.

【40】Ziemba, W.T., and S.L. Schwartz. Invest Japan, Chicago:Probus, 1991.

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变革时模型存在失落效的风险。

往

期

链

接

西学东渐—— 兴业证券外洋文献推举系列之三十六

西学东渐—— 兴业证券外洋文献推举系列之三十五

西学东渐—— 兴业证券外洋文献推举系列之三十四

西学东渐—— 兴业证券外洋文献推举系列之三十三（下）

西学东渐—— 兴业证券外洋文献推举系列之三十三（上）

西学东渐—— 兴业证券外洋文献推举系列之三十二