购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

2.4 资金流

摘要

在市场中,经常存在交易性机会,这是指股价在短期内可能受到某些消息的影响,或者某些市场内在因素的改变从而产生剧烈波动带来的价差投资机会。其中,一个典型的交易性策略就是资金流模型,该模型使用资金流流向来判断股票在未来一段时间的涨跌情况,如果是资金流入的股票,则股价在未来一段时间将可能会上涨;如果是资金流出的股票,则股价在未来一段时间会可能下跌,那么,根据资金流向就可以构建相应的投资策略。

2.4.1 基本概念

1.MF指标

资金流量(Money Flow,MF)是一种国际上非常流行并应用时间久远的技术指标,定义如下:证券价格在约定的时间段中处于上升状态时产生的成交额是推动指数上涨的力量,这部分成交额被定义为资金流入;证券价格在约定的时间段中下跌时的成交额是推动指数下跌的力量,这部分成交额被定义为资金流出;若证券价格在约定的时间段前后没有发生变化,则这段时间中的成交额不计入资金流量。当天资金流入和流出的差额可以认为是该证券当天买卖两种力量相抵之后,推动价格变化的净作用量,即被定义为当天资金净流量。数量化定义如下:

其中Volume为成交量,P i 为i时刻收盘价,P i-1 为上一个时刻收盘价。

从资金净流量的定义,可以发现以下问题:

(1)任何证券当日的买入金额总等于卖出金额,因此资金净流量并不表示当日真正新买进证券的资金量,而仅表示当日推升或压低股票价格的买卖力量对比。

(2)若股票在统计时段的首尾价格不发生变化,则不管该时间区段期间是否曾有过价格波动,区段内发生的所有交易金额将被简单忽略而并不计入资金流量。

(3)由于在计算资金流量时的成交金额为时间区段中的成交汇总,而判定是否变化的价格为时间区段末的瞬时成交价格,因此在时间区段中部存在异常数据扰动,有可能导致统计结果存在重大方向性差异。

(4)统计资金流量的时间区段越短,该指标受到区间内价格扰动的可能性越小。从理论上讲,若资金流量指标的实际使用意义很大,则该指标对高频数据有依赖性。

(5)高频成交数据对资金流量也是一把双刃剑,在超高频数据下资金流量的计算结果呈现显著的钝化,在较低频率下的统计规律可能将不再有效。这是由于当统计资金流量的时间区段由分钟级别提升至秒级时,两次间隔报价相等的情况大幅增加,当日大部分的成交金额可能被视为无方向资金流量而遭废弃。

(6)当资金发生净流入时,股价就会上涨,这是由资金流量的算法决定的,因此大部分时间资金流量仅是股价变化的同步指标。

(7)资金发生净流入与股价上涨尽管呈现极强的正相关性,但两者并不等价。资金净流入与股票交易量加权平均价格(VWAP)涨幅的相关性高于一般直观上看到的时间加权平均价格(TWAP)涨幅。

(8)当股票价格全天在小范围内振动时,资金净流入的计算结果可能失真。当股票成交量较低时,资金净流入占当日总成交金额的比例可能受到盘中异常单笔大单成交的影响。这类异常市况下获取的相应指标往往无法得到既定的统计规律。

(9)在计算资金净流入和横向比较时,不考虑盘口挂单数据、各股票价格高低及流通股本数量等重要参考数据。

2.国信资金强弱指标(GSMS)

针对前述传统资金净流入指标在实际应用中存在的若干问题,国信证券的研究员基于非 level2秒级超高频交易数据(每分钟10~12笔)对资金流量算法进行改造,形成了国信资金强弱(GSMS)指标。

首先定义每次报价间隔的资金强弱(Money Strength,MS):

(1)若两次报价不等,则定义期间资金强弱等于资金流量。

(2)若两次报价相等,且新报价非涨跌停(买1和卖1报价均非空),则当新报价不低于卖1价时,记期间资金强弱为成交金额;当新报价不高于买1价时,记期间资金强弱为-1*成交金额;当以上均不满足时记期间资金强弱为零。

(3)若两次报价相等,且新报价为涨停或跌停状态(买1或卖1报价为空),则将期间成交金额记录至尾盘判断。当新报价为涨停且收盘为涨停时,记期间资金强弱为成交金额,否则记期间资金强弱为-1*成交金额。当新报价为跌停且收盘为跌停时,记期间资金强弱为-1*成交金额,否则记期间资金强弱为成交金额。

(4)盘中实时计算当日资金强弱之时,以当前最新价格代替(3)中的收盘价格计算。

(5)每日所有高频报价间隔的资金强弱之和,等于当日该股票的资金强弱。

定义 T 日国信资金强弱指标 GSMS 为:(T>1),分子是MS的总和,分母为MS的标准差。

GSMS 指标通过对资金强弱的定义修正了秒级高频数据下大量成交金额不被计入资金流量的问题,且通过累计资金强弱数值的标准化削弱了资金强弱数值不稳定造成的影响。

GSMS 一定程度上反映了市场资金进出股票的强弱程度,投资组合中的成分股之间的 GSMS 指标可以直接进行横向排名比较,且排名具有一定的实战意义,可用于交易性机会的跟踪和把握。[23]

3.招商资金流指标(CMSMF)

招商证券的研究员开发了CMSMF指标,采用高频数据进行资金流测算,主要出于以下两方面考虑:一是采用高频数据进行测算,可以尽可能反映真实市场信息;二是采取报价(最近买价、卖价)作为比较基准,成交价大于等于上期最优卖价视为流入;成交价小于等于上期最优买价则为流出。具体计算方法如表2—14所示。

表2—14 招商资金流模型(cmsmf)计算方法

(续表)

资料来源:招商证券研发中心

除此之外,为了得到更多资金流的信息,衍生了资金流信息含量、资金流强度、资金杠杆倍数等更多指标,定义如表2—15所示。[24]

表2—15 招商资金流模型(cmsmf)选股指标定义

资料来源:招商证券研发中心

2.4.2 策略模型

1.逆向选择理论

在非强势有效的A股市场,普遍存在信息不对称的问题。机构投资者与散户投资者在对同一信息的评估能力上存在差异。在大部分情况下,散户投资者缺乏专业的投资能力和精力,那么根据“搭便车”理论,希望借助机构投资者对股价的判断进行投资,一旦机构投资者率先对潜在市场信息做出反应,羊群效应的散户投资者则追涨杀跌,往往导致在很多情况下市场对潜在信息反应过度。这样根据逆向选择理论,能够准确评估信息价值的投资者便会对反应过度的股价做出交易,买入低估的、卖出高估的股票,从而纠正这种信息反应过度行为。

根据市场对潜在信息反应过度的结论及市场投资者的行为特征,可以采取逆向选择模型理论来构建选股模型,即卖出前期资金流入、价格上涨的股票,买入前期资金流出、价格下跌的股票。按照这个思路,对一些指标参数进行回测分析,可以得到稳定的选股模型。

2.策略模型

根据资金流各种指标的特点,在选股模型中采用比较简单的方法,即以指标排序打分的方式来筛选股票。首先通过对各个资金流指标进行排序打分,然后将股票对各个指标的得分进行求和,最后以总得分值大小来筛选股票,具体步骤如下:

(1)确定待选股票池。在选择组合构建时,剔除上市不满一个月的股票,剔除调仓期涨跌停及停牌的股票,防止因涨/跌停无法交易。剔除信息含量小于10%的股票,因为这部分股票信号不明显,无法取得有效信息。

(2)构建股票组合。

① 指标打分:首先将待选股票池中的股票按照各个指标进行排序(指标即为前面介绍的GSMS和CMSMF系列指标),然后采用百分制整数打分法进行指标打分,即以股票在各个指标中所处位置的百分数作为股票对于该指标的得分,前1%得分为1,依次递减,最后1%得分为100。

② 求和排序:将股票相对于各个指标的得分进行求和,将和值从小到大排序,进行分组比较;另外,选择排名靠前的N只股票构建组合。

③ 股票权重:采用等量权重。

(3)组合定期调整,调整时间从1到3个月不等。持有到期后,利用更新后的指标数据重新确定待选股票池,重复步骤(2)打分求和过程,并将股票按照指标得分从小到达排序,将原来分组中跌出组合的股票剔除,调进新的股票,同时将新组合内样本股的权重调整到相等。

(4)统计检验。分别计算各组合的收益率情况,考察组合的效果。

2.4.3 实证案例:资金流选股策略

本案例的结果来自于D-Alpha量化对冲交易系统的后验平台‘模拟交易所’,主要数据情况如下:

(1)后验开始时间:2007—2—1,后验结束时间:2011—2—18。

(2)股票池范围:沪深300成分股;全市场。

(3)资金规模:现货1亿,3亿,10亿;期货:现货=1:1。

(4)撮合规则:高频数据撮合,与交易所类似。

1.案例结果1:沪深300

该结果的股票池来自于沪深300成分股,结果如表2—16所示。

表2—16 资金流模型策略—沪深300

数据来源: D-Alpha 量化对冲交易系统

从表2—16中可以看出,在资金为3亿、调仓期限为3个月时效果最好,这是因为资金量比较大的时候,对市场的冲击比较大,从而吞噬了部分收益率,收益率曲线如图2—8所示。

图2—8 资金流模型策略收益率曲线(沪深300—3亿-3个月)

数据来源: D-Alpha 量化对冲交易系统

2.案例结果2:全市场

该策略结果的股票池来自于全市场,结果如表2—17所示。

表2—17 资金流模型策略——全市场

数据来源: D-Alpha 量化对冲交易系统

从表2—17中可以看出,在资金为3亿、调仓期限为1个月时效果最好,这可能是因为全市场中选择的股票大多数为小盘股,其波动性比较大,适合做一些短期的波段交易,收益率曲线如图2—9所示。

图2—9 资金流模型策略收益率曲线(全市场-3亿-1个月)

数据来源: D-Alpha 量化对冲交易系统

本节小结

资金流模型是非常易于理解的一个选股方式,但是传统的资金流模型效果并不明显,这可能是因为市场的有效性越来越强的缘故。国信证券和招商证券在研究员的基于高频数据的基础上,分别开发了各自的加强版的资金流模型GSMS和CMSMF,取得了较好的效果。

本节内容主要来自于本章参考文献[23][24],更多阅读参考[25]-[28] ShPg16H6gcBpKv+pQao/ZgWzIAae+3EICSw5coivwBkb8KYdLHoKDiurvILhqhy1

点击中间区域
呼出菜单
上一章
目录
下一章
×