徐晟皓,王長飛

(中山大學(xué) 管理學(xué)院,廣州 510275)

基于技術(shù)分析視角下證券投資交易的研究方法綜述

徐晟皓,王長飛

(中山大學(xué) 管理學(xué)院,廣州 510275)

技術(shù)分析方法一直是現(xiàn)代學(xué)術(shù)界爭相探討的話題。本文在文獻回顧的基礎(chǔ)上,對國外的技術(shù)分析方法在證券投資交易領(lǐng)域的發(fā)展實踐、內(nèi)涵及基本架構(gòu)進行了詳盡的回顧和分析,并將現(xiàn)代學(xué)術(shù)界對證券投資交易方法的技術(shù)分析研究進行分類,將文獻梳理分為平均數(shù)法、技術(shù)指標法、軟計算法三大類進行述評,最后在國內(nèi)對技術(shù)分析方法研究不足的基礎(chǔ)上提出了未來有可能的研究方法和研究方向。

技術(shù)分析；證券投資交易；平均數(shù)法；技術(shù)指標法；軟計算法

0　引言

相比于以公司經(jīng)營狀況、財務(wù)理論為根基，從產(chǎn)生起便很快被學(xué)術(shù)界所認同的基礎(chǔ)分析（FundamentalAnalysis），同樣在金融實務(wù)界有著廣泛應(yīng)用的技術(shù)分析（Technical Analysis），卻因為理論根基的缺失而長期受到學(xué)術(shù)界的質(zhì)疑。但是，從20世紀60年代中期，1965年Samuelson和1966年Mandelbrot分別提出了鞅（Martingale）的古老金融資產(chǎn)價格的模型后，開始引發(fā)學(xué)者們對技術(shù)分析領(lǐng)域的關(guān)注。進入20世紀80年代，“日歷效應(yīng)”“過度反應(yīng)”“動量效應(yīng)與反轉(zhuǎn)效應(yīng)”等金融“異象”被發(fā)現(xiàn)，進一步使得有效市場假說的理論框架受到前所未有的沖擊。從而，技術(shù)分析的研究不斷得到學(xué)術(shù)圈的廣泛關(guān)注與研究。

技術(shù)分析注重的是對反映市場交易行為的商品價格的研究，希望從資產(chǎn)成交價和交易量的歷史數(shù)據(jù)中捕獲資產(chǎn)價格未來的走勢。如今，在金融證券投資交易領(lǐng)域，學(xué)術(shù)界更是采用各種技術(shù)分析方法來研究交易趨勢及其變化，可謂技術(shù)分析方法種類繁多，形式多種多樣，并導(dǎo)致對技術(shù)分析方法的應(yīng)用較為混亂，因此有必要對技術(shù)分析視角下證券投資交易研究方法進行系統(tǒng)性的梳理和評述，這對完善證券投資交易體系具有重要的意義。

1　研究方法綜述

2004年P(guān)ark等人，將基于技術(shù)交易系統(tǒng)領(lǐng)域的交易成本、風(fēng)險、數(shù)據(jù)窺測、參數(shù)最優(yōu)化以及采用的統(tǒng)計分析等方面列為技

1.1平均數(shù)法在證券投資交易中的應(yīng)用

平均數(shù)法在證券投資領(lǐng)域的應(yīng)用主要包括簡單移動平均、平均動向指數(shù)、平滑異同移動平均及基于移動平均操作的其他方法等。其中平均數(shù)法最早在證券市場中的應(yīng)用是1884年Charles Dow在證券價格平均指數(shù)中所觀察到的證券價格變動。在隨后的研究中，Neftci為了決定技術(shù)分析的普及程度是否有一個客觀基礎(chǔ)，在1991年進行了一項關(guān)于技術(shù)分析統(tǒng)計特性的調(diào)查，并試圖根據(jù)馬爾科夫時序來建立技術(shù)分析規(guī)則，但是馬爾科夫時序本質(zhì)上是在給定當前知識或信息的情況下，過去的狀態(tài)對于預(yù)測未來是無關(guān)的。因此，Neftci考察了150天移動平均數(shù)和道瓊斯指數(shù)之間的關(guān)系，并測試了1911-1976年間的道瓊斯工業(yè)指數(shù)，發(fā)現(xiàn)移動平均數(shù)所產(chǎn)生的馬爾科夫時序似乎有一些預(yù)測價值。而且，他還回顧了多個其他的技術(shù)分析方法，發(fā)現(xiàn)其中許多方法并未產(chǎn)生馬爾科夫時序，因此得出只有在圖表上有效地依托 “看到未來”，才能夠生成預(yù)測的結(jié)論。

1992年Brock等人則利用1897年的第一個交易日到1986年的最后一個交易日的道瓊斯工業(yè)平均指數(shù)的數(shù)據(jù)對技術(shù)交易規(guī)則進行測試。作者測試了組合的移動平均線并設(shè)計了固定長度和可變長度的持股期以及趨勢線策略，并圍繞消除價格跨越邊界線來回震蕩設(shè)計了一個百分點的頻段。作者的發(fā)現(xiàn)對使用技術(shù)分析提供了有利支持，特別是使用一個百分點頻段的移動平均數(shù)策略。此外，還發(fā)現(xiàn)了買（賣）信號所產(chǎn)生的收益要比正常收益高（低），而且這些差別并不能夠被風(fēng)險所輕易地解釋。最后，作者得出了技術(shù)規(guī)則具有預(yù)測能力的結(jié)論。1993年Levich和Thomas使用Bootstrap方法測試了從1976年到1990年期間5種貨幣的期貨合約。他們的研究發(fā)現(xiàn)使用簡單的過濾規(guī)則和多種常用的移動平均指數(shù)進行交易獲得了超過15年的持續(xù)盈利。Levich和Thomas總結(jié)得出 “遵循交易規(guī)則所產(chǎn)生的盈利趨勢強烈表明數(shù)據(jù)中存在著某種串行依賴形式，但對這種依賴的性質(zhì)仍然不清楚”。與此同時，1997年LeBaron提出了基于簡單移動平均數(shù)的交易規(guī)則，并利用這個規(guī)則對外匯匯率過程進行了標準化測試，并得出該外匯市場不遵循隨機游走假說，而且偏差會被簡單的移動平均數(shù)檢測到。2003年Su and Huang結(jié)合使用了移動平均線、隨機線、平滑異同移動平均線、相對強弱指標和指數(shù)移動平均線來確定趨勢方向，并取得了很好的結(jié)果。綜合上述文獻可見，國外學(xué)者對平均數(shù)法的技術(shù)分析已具有較豐碩的研究成果。

1.2技術(shù)指標法在證券投資交易中的應(yīng)用

證券投資交易市場中技術(shù)指標是指根據(jù)價格、交易量等歷史數(shù)據(jù)，通過建立一個數(shù)學(xué)模型，給出數(shù)學(xué)上的計算公式，得到一個體現(xiàn)證券市場某個方面內(nèi)在實質(zhì)的指標值，常見的指標有相對強弱指標、隨機指標、趨向指標、能量潮等，有眾多學(xué)者在研究中使用了這些技術(shù)指標，并在學(xué)術(shù)界形成一定的理論基礎(chǔ)。

1998年P(guān)ruittandWhite證明了基于累積量、相對強度和移動平均（CRISMA）交易系統(tǒng)的有效性。該交易系統(tǒng)需要交易者買入和賣出的是在交易所上市的認購期權(quán)制度明確的證券，并且應(yīng)符合預(yù)定義的規(guī)則。這項研究包括了從1976年到1988年的171家公司，并假設(shè)可以購買第二最短的成熟期權(quán)。實驗結(jié)果表明，即使在交易成本最大的1988年，該交易系統(tǒng)每回交易的平均回報也有12.05%。此后，2001年Goodacre和Kohn-Speyer使用1988-1996年間的美國數(shù)據(jù)對CRISMA交易系統(tǒng)的有效性進行了重新檢測。發(fā)現(xiàn)該系統(tǒng)的性能隨著時間的推移而出現(xiàn)了不穩(wěn)定，而且一旦考慮了市場運動、風(fēng)險和交易成本時，該系統(tǒng)將不會再獲利，最后得出了與市場有效相一致的結(jié)論。

2000年Lee和Swaminathan則研究了價格動量和交易量。他們發(fā)現(xiàn)過去的交易量可以預(yù)測價格動量的幅度和持續(xù)時間，即過去的交易量有助于緩和中期區(qū)間反應(yīng)不足和長期區(qū)間過度反應(yīng)的影響。2004年Demir等人研究了在澳大利亞股票市場應(yīng)用動量策略所取得的收益回報情況。他們發(fā)現(xiàn)相比于其他市場，動量策略在澳大利亞市場更加的流行并可獲得更多的收益，同時該策略所產(chǎn)生的回報會隨著時間的推移而愈加穩(wěn)健且獲利性更強，而且所觀察到的收益不能被規(guī)模和流動性所解釋。

1.3軟計算法在證券投資交易中的應(yīng)用

軟計算是指通過對不確定、不精確及不完全真值的容錯來取得低代價的解決方案和魯棒性。它模擬自然界中智能系統(tǒng)的生化過程來有效處理日常工作。軟計算包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊邏輯等。其中軟計算方法在證券投資交易中的應(yīng)用更為廣泛。

在人工神經(jīng)網(wǎng)絡(luò)方面：1988年White考慮了在一個持續(xù)期內(nèi)使用神經(jīng)網(wǎng)絡(luò)來預(yù)測IBM公司普通證券價格的日回報。White沒有找到任何與有效市場假設(shè)相違背的證據(jù)。它注意到采用后向傳播的神經(jīng)網(wǎng)絡(luò)方法可以有效地降低訓(xùn)練中的錯誤，然而利用優(yōu)化利潤的方式來尋找反駁EMH的證據(jù)時，卻并未通過使用神經(jīng)網(wǎng)絡(luò)獲得直接證據(jù)。1991年Jang等人建立了兩個神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)價格運動趨勢和隨機指標之間的相關(guān)性。一個網(wǎng)絡(luò)采用了12天移動窗口，而另一個網(wǎng)絡(luò)采用的是最近交易季的過濾數(shù)據(jù)。最后的輸出設(shè)為兩個網(wǎng)絡(luò)輸出的加權(quán)總和。此外，基于模型預(yù)測的準確性，并利用自適應(yīng)權(quán)重調(diào)整算法對權(quán)重進行了調(diào)整。該文中的集成的觀念就是對從兩個不同視角所得到的結(jié)果進行加權(quán)輸出，其中一個是短期趨勢視角，而另一個是長期趨勢視角，這個加權(quán)輸出在臺灣股市中獲得了很好的市場回報。繼這項研究后，研究者們進一步證實了利用集成移動平均的平滑預(yù)測方法會產(chǎn)生更為優(yōu)越的交易結(jié)果。

在遺傳算法方面：1997年Neely等人使用遺傳算法尋找到有效交易規(guī)則并研究了1981-1995年間的6種外匯匯率。他們的這種規(guī)則發(fā)現(xiàn)類似于那些技術(shù)性投資者所使用的規(guī)則，而且這些規(guī)則在經(jīng)濟上產(chǎn)生了顯著的樣本外收益回報。此外，他們并沒有發(fā)現(xiàn)能夠證實該額外收益是由風(fēng)險所引發(fā)的證據(jù)，同時通過自舉過程，利用那些交易規(guī)則檢測到了沒有被標準統(tǒng)計模型所捕獲的數(shù)據(jù)模式。Neely等人把這些結(jié)果看作是市場低效率性的可信證據(jù)。2002年Skabar和Cloete使用了一個基于權(quán)重的遺傳算法優(yōu)化程序來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并針對道瓊斯指數(shù)進行了檢測，得到的結(jié)果顯著優(yōu)于本來所預(yù)計的隨機價格序列。

在模糊邏輯方面：1997年Chou等人提出了將包含大量技術(shù)分析指標的系統(tǒng)和模糊邏輯規(guī)則相結(jié)合，并基于此建立了一個感應(yīng)樹系統(tǒng)。利用臺灣市場1990年1月至1995年4月的數(shù)據(jù)對該系統(tǒng)進行了檢驗，即將輸出結(jié)果與買入并持有策略以及當時臺灣的四大封閉式基金進行了比較，結(jié)果表明該系統(tǒng)優(yōu)于買入并持有策略，且優(yōu)于當時那四支基金，但奇怪的是該系統(tǒng)在1994年卻表現(xiàn)不佳，此文將其歸咎于這一年市場中“人類的影響”。2002年Dourra和Siy的文章，他們在技術(shù)分析系統(tǒng)中建立了一個模糊邏輯解釋后端。該系統(tǒng)首先確定了各種技術(shù)分析指標的值，然后使用模糊邏輯將技術(shù)分析的輸出值量化成隸屬度集合，并用于模糊邏輯解釋。因此，系統(tǒng)評估專家只需將數(shù)值定義為“大”“小”等規(guī)則，而無需描述實際的數(shù)值。最終，系統(tǒng)得到了非常好的結(jié)果，利潤遠超標準普爾500指數(shù)的收益回報。

在綜合方面：眾多的學(xué)者也結(jié)合神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊邏輯等綜合算法進行了研究。2002年Thawornwong等人發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)和遺傳算法集成系統(tǒng)所獲得的收益超過了使用ARIMA，MACD和買入并持策略所產(chǎn)生的收益，同時也提出了過度交易會產(chǎn)生負收益的疑問。2004年Simutis和Masteika提出了一個成功的模糊神經(jīng)遺傳算法，該算法利用基于價格變動和成交量變動的技術(shù)輸入變量，通過檢驗從1992年初始至2002年底的標準普爾500指數(shù)而取得了非常好的結(jié)果。2005年Versace等人利用遺傳算法來選擇集成神經(jīng)網(wǎng)絡(luò)的構(gòu)造參數(shù)，并在整個檢測集合中對集成系統(tǒng)的訓(xùn)練表明預(yù)測向上/向下的準確率具有很高的水平。當然還有一些文獻結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)對證券交易進行研究。

2　結(jié)論與展望

本文在對國外文獻回顧的基礎(chǔ)上，對技術(shù)分析視角下證券投資交易研究方法進行了系統(tǒng)性的梳理和評述，并將研究方法分為平均數(shù)法、技術(shù)指標法、軟計算法3大類，這有助于研究者從單個研究方法的困惑中解脫出來，從整體上對證券投資交易研究方法有一定的了解。

同時可知，目前國外在證券投資交易研究領(lǐng)域，基于技術(shù)分析的研究已經(jīng)形成了很多方法，這些方法主要從歷史數(shù)據(jù)維度來預(yù)測未來投資交易，并從不同的角度刻畫投資交易的特點，對證券投資交易研究具有重要的意義。

我國證券市場發(fā)展較晚，國內(nèi)在這方面的研究相對國外要滯后一些。近年來，國內(nèi)金融市場的快速發(fā)展，對證券投資交易的研究也取得很大的進步，然而大部分研究僅側(cè)重于采用技術(shù)指標或神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，進而依據(jù)所識別的基本變量的閾值來決定證券投資交易，此時會導(dǎo)致證券投資的不確定性和風(fēng)險性。

因此，為更加清楚地了解技術(shù)分析視角下我國證券投資交易研究的現(xiàn)狀，從中吸取成功的經(jīng)驗，并發(fā)現(xiàn)當前存在的問題，進而根據(jù)中國獨特的情境，提出中肯的建議，本文系統(tǒng)性地梳理了2000年以來發(fā)表在主流期刊上的證券投資交易研究文獻①，如表1所示。在梳理的過程中，發(fā)現(xiàn)中國學(xué)術(shù)界在技術(shù)分析這方面還是比較欠缺的，主要體現(xiàn)在：研究證券投資交易領(lǐng)域的學(xué)者少，研究文獻也相對較少；國內(nèi)學(xué)者多采用國外成熟的技術(shù)分析方法，創(chuàng)新性比較少；部分技術(shù)分析方法，并未充分考慮政府政策指導(dǎo)等因素，國內(nèi)技術(shù)分析體系還有待完善。但是，就目前中國金融市場發(fā)展的前景看，中國證券投資交易市場容量大，范圍廣，證券投資交易研究是非常有潛力的。

表1　主流期刊證券投資交易研究文獻

針對中國證券投資交易在技術(shù)分析方面的欠缺，①就學(xué)術(shù)界而言，可以深入探討證券交易動態(tài)過程，以獲取有洞察力的見解，加強理論、技術(shù)分析創(chuàng)新；加強跨層面議題研究，使研究獲得更全面、更符合現(xiàn)實的發(fā)現(xiàn)，進而將理論與實際聯(lián)系起來。②進一步發(fā)展和完善國內(nèi)證券市場。如建立規(guī)范、高效的證券市場體系；積極擴大證券市場容量，適應(yīng)企業(yè)融資需求；深入研究證券市場合理運作機制等。③在未來證券投資交易研究的問題上必然還會出現(xiàn)多種新的技術(shù)分析方法，但未來的研究趨勢應(yīng)該更側(cè)重于將交易的即時性與交易的價格結(jié)合起來，這還有待進一步的深入研究。

主要參考文獻

①目前，國內(nèi)證券投資交易成果主要發(fā)表在證券期刊及經(jīng)濟管理類期刊，本文主要以A類期刊為主，并添加其他證券投資類期刊。本文選擇文獻的主題詞（′證券′+′證券預(yù)測′+′證券投資′+′證券交易′+′證券價格′+′股票預(yù)測′+′股票投資′+′股票交易′+′股票價格′+′股票期貨′+′股票期權(quán)′+′債券預(yù)測′+′債券投資′+′債券交易′+′債券價格′）*（′技術(shù)分析′+′技術(shù)有效性′+′量化分析′+′量化金融′+′程序化′+′移動平均′+′技術(shù)指標′+′人工神經(jīng)網(wǎng)絡(luò)′+′遺傳算法′+′模糊邏輯′），從中國知網(wǎng)上選擇文獻進行系統(tǒng)梳理。

［1］W Brock，J Lakonishok，et al.Simple Technical Trading Rules and the Stochastic Propertiesof Stock Returns［J］.Journal of Finance，1992，47 （5）：1731-1764.

［2］SC T Chou，H JHsu，et al.A Stock Selection DSS combining AI and Technical Analysis［J］.AnnalsofOperations Research，1997，75：335-353.

［3］IDemir，JMuthuswamy，etal.Momentum Returns in Australian Equities：The Influences of Size，Risk，Liquidity and Return Computation［J］. Pacific-Basic Finance Journal，2004，12（2）：143-160.

［4］H Dourra，PSiy.InvestmentUsing TechnicalAnalysisand Fuzzy Logic［J］. Fuzzy Setsand Systems，2002，127：221-240.

［5］T A E Ferreira，G C Vasconcelos，et al.A Hybrid Intelligent System Approach for Improving the Prediction of Real World Time Series［C］. Congresson Evolutionary Computation，2004.

［6］A Goodacre，T Kohn-Speyer.CRISMA Revisited［J］.Applied Financial Economics，2001，11（2）：221-230.

［7］G Jang，F(xiàn) Lai，et al.An Intelligent Trend Prediction and ReversalRecognition System using Dual-Module Neural Networks［C］.First International Conference on Artificial Intelligence Applications on Wall Street，New York，1991.

［8］C Lee，B Swaminathan.Price Momentum and Trading Volume［J］.The Journalof Finance，2000（5）.

［9］R Levich，LThomas.The significance of Technical Trading Rule Profits in the Foreign Exchange Markets：A Bootstrap Approach［J］.Journal of InternationalMoneyand Finance，1993（12）：451-474.

［10］CNeely，PWeller，etal.Is Technical Analysis in the Foreign Exchange Market Profitable？A Genetic Programming Approach［J］.Journal of Financial&QuantitativeAnalysis，1997，32（4）：405-426.

［11］S N Neftci.Naive Trading Rules in Financial Markets and Wiener-Kolmogorov Prediction Theory：A Study of′Technical Analysis′［J］. JournalofBusiness，1991，46：549-571.

［12］Park C H，Irwin SH.The profitability of technical analysis：A review ［J］.Urbana，2004，51.

［13］S Pruitt，R White.The CRISMA trading system：Who says technical analysis can′tbeat themarket［J］.Journal of Portfolio Management，1998 （Spring）：55-58.

［14］R Simutis，SMasteika.Intelligent Stock Trading Systems Using Fuzzy-Neural Networks and Evolutionary Programming Methods［J］.Salf Formatin Theorgand Applicationg，2004（97）：59-63.

［15］A Skabar，ICloete.Neural Networks，F(xiàn)inancial Trading and the efficient markets hypothesis［C］.25th Australasian conference on Computer Science，Melbourne，Australia，Australian Computer Society，2002.

［16］SFSu，SR Huang.Applications of Model-Free Estimators to the Stock Market with the Use of Technical Indicators and Non-Deterministic Features［J］.Journal of the Chinese Institute of Engineers，2003，26（1）：21-36.

［17］SThawornwong，DEnke，etal..Genetic Algorithmsand NeuralNetworks for Stock Trading Prediction and Technical Signal Optimization［C］. Decision Sciences Institute2002 AnnualMeeting，2002.

［18］M Versace，R Bhatt，et al.Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks［J］. ExpertSystemswith Applications，2005，27（3）：417-425.

［19］X YWang，ZOWang.Stock Market Time Series Data Mining Based on Regularized Neural Network and Rough Set［C］.2002 International Conferenceon Machine Learningand Cybernetics，Beijing，2002.

［20］HWhite.Economic Prediction using Neural Networks：The case of IBM Daily Stock Returns［C］.Second Annual IEEE Conference on Neural Networks，1988.

［21］董保寶.創(chuàng)業(yè)研究在中國：回顧與展望［J］.外國經(jīng)濟與管理，2014，36 （1）：73-80.

［22］劉海龍，仲黎明，吳沖鋒.股票流動性度量方法［J］.系統(tǒng)工程理論與實踐，2003，23（1）：30-32.

［23］母澤洪，周劍.公司資本結(jié)構(gòu)的證券設(shè)計理論綜述［J］.經(jīng)濟學(xué)動態(tài)，2011（9）：146-149.

［24］攀登，施東暉，曹敏.中國個人投資者采用股價趨勢交易策略的經(jīng)驗研究［J］.世界經(jīng)濟，2003（11）.

［25］楊麗，高風(fēng).模糊組合神經(jīng)網(wǎng)絡(luò)智能選股模型的建立［J］.控制工程，2008，15（增）：97-99.

［26］禹建麗，孫增圻，ValeriKroumov，等.基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策［J］.系統(tǒng)工程理論與實踐，2003（5）：15-19.

［27］曾勇，李平，王志剛，等.組合證券投資與資本市場研究［M］.北京：科學(xué)出版社，2007.

10.3969/j.issn.1673-0194.2015.11.084

F832.48

A

1673-0194（2015）11-0141-04

2015-04-05術(shù)分析的主要研究范圍，并將技術(shù)分析領(lǐng)域的經(jīng)典研究分為兩大類：早期研究與現(xiàn)代研究。但由于早期與現(xiàn)代研究的邊際定界模糊，且在技術(shù)分析的研究中，風(fēng)險評估、交易利潤的統(tǒng)計分析以及數(shù)據(jù)窺測等問題往往都不可分割，同時由于2004-2015年，學(xué)術(shù)界對技術(shù)分析領(lǐng)域的研究再一次呈現(xiàn)爆發(fā)性增長，尤其是對股票市場和外匯市場的研究熱情空前高漲。因此在本研究中，通過對技術(shù)分析方法在證券投資交易領(lǐng)域的發(fā)展實踐、內(nèi)涵及基本架構(gòu)的分析，以及在相關(guān)文獻分類總結(jié)的基礎(chǔ)上，對現(xiàn)代國外學(xué)術(shù)界對證券投資交易方法的研究進行分類，本文主要歸納總結(jié)為以下3種。