如何通过技术指标预测市场波动性.docx

正文目录

TOC\o1-2\h\z\u引言 4

数据 5

实际波动性 5

技术性指标 6

宏观经济指标 7

计量经济学框架 8

预测性回归 8

预测组合 9

预测评估 9

样本内结果 9

样本外预测结果 12

由样本外R方评估的预测结果 12

可预测性随时间的演变 13

通过胜率评估预测表现 14

波动幅度的作用 15

可预测性和商业周期的联系 17

6结论 18

风险提示： 19

图表目录

图表1文章框架 4

图表2标普500指数的月度实际波动量 6

图表3样本内月频采样的预测回归结果 10

图表4样本内季频采样的预测回归结果 11

图表5样本外季频采样的预测回归结果 12

图表6样本外季频采样的预测回归结果 13

图表7自1971年1月起的递归样本外R2预测组合 14

图表8样本外月频采样下的预测胜率 15

图表9月频抽样下小波动和大波动预测的组合方法的预测性能 16

图表10商业周期峰值和谷值附近的平均波动性预测 17

图表11月频采样下商业周期中组合方法的预测表现 18

1 引言

图表1文章框架

资料来源：

建模和预测股市收益波动性一直是学术界关注的重点。其原因在于，波动性对期权定价、资产配置和风险管理等多个领域具有重要影响。此外，股市波动性也是长

期溢价的重要决定因素（Mallick,Mohanty,andZampolli,2017）。自Schwer（t1989a）。

早年许多研究旨在利用经济变量来解释波动性的时变特性（例如，见Bansal和Yaron,2004；Corradi等,2013；Mele,2007；Engle和Rangel,2008；Engle等,2013）。然而，Paye（2012）和Christiansen等（2012）指出，尽管一些经济变量可以在样本内影响未来的股市波动性，但将这些变量加入到自回归模型的基准中，无法在样本外获得更准确的预测。此外，Paye（2012）发现，经济模型的组合能够在股市波动性的预测上取得微弱但显著的效果。

本文的贡献在于，通过使用一组技术指标，揭示股市波动性的样本内和样本外可预测性，这些技术指标反映了价格、波动性和交易量的历史信息。作者根据股市波动性时变特性的已知事实，构建了三类技术指标：“杠杆效应”、“交易量效应”和“波动性聚集”。接着，作者比较了技术变量和宏观经济变量组合的表现。作者的样本内证据表明，一些经济变量，如股息价格比率和股息收益率，能够预测未来的波动性。反映杠杆效应和波动性聚集的技术指标也能够成功预测股市波动性。作者计算了在将额外预测变量加入到自回归模型的基准后，样本内R2的百分比增加。作者发现，捕捉杠杆效应的技术指标通常能够比宏观经济变量带来更大的R2提升，表明其对未来

股市波动性具有更强的解释能力。

作者使用递归窗口法从1960年1月开始获取样本外波动性预测。样本外R2

（?MSPE），即给定模型的均方预测误差（MSPE）相对于自回归模型基准的百分比减少，用来衡量波动性预测的准确性。证据表明，对于月度和季度预测期，单一模型无法在样本外显著超越基准模型。这一结果与Paye（2012）的发现大体一致。

接下来，作者研究了预测组合，即利用个别预测的加权平均，其中每个模型的权重由不同的方案决定。作者考虑了三种不同预测信息使用方式的预测组合：基于宏观经济模型的组合（FC-MACRO）、基于技术模型的组合（FC-TECH）和将所有经济和技术模型组合的组合（FC-ALL）。作者发现，FC-MACRO和FC-TECH的?MSPE值显著为正。值得注意的是，FC-ALL和FC-TECH的预测表现接近，且它们在月度和季度采样频率下的?MSPE均高于FC-MACRO。FC-TECH优于FC-MACRO的优势对于时间的演变具有鲁棒性。

为什么技术和经济变量能够预测股市波动性？其中一个主要解释是，它们能够捕捉到商业周期。根据Schwert（1989b）和Hamilton和Lin（1996）的观点，股价在经济衰退期的波动要大于扩张期，因此波动性预测能力才会显现。经济变量无疑反映了实际经济活动。作者的一些技术变量基于股市价格，而股市价格是商业周期的领先指标（Estrella和Mishkin,1998）。因此，经济和技术信息通过预测未来的经济状况来预测股市波动性。作者的结果表明，在经济衰退期，FC-TECH和FC-MACRO的波动性预测能力优于扩张期，这一模式与Schwert（1989b）和Hamilton和Lin（1996）的观