魯萬波,黃光麟,Kris Boudt

(1.西南財經(jīng)大學統(tǒng)計學院，四川 成都 611130； 2.比利時布魯塞爾自由大學，布魯塞爾 1050)

1 引言

金融資產(chǎn)收益率的分布及其系統(tǒng)性風險研究對于資本風險管理、資產(chǎn)組合選擇以及金融監(jiān)管具有重要意義。金融資產(chǎn)收益率具有非正態(tài)性、尖峰厚尾性、有偏性等特征已經(jīng)成為學者們的共識，并且隨著數(shù)據(jù)頻率上升，這種特征愈加明顯。Cont[1]將收益率的上述特征總結(jié)為典型事實(Stylized Facts)，基于多元正態(tài)分布假設的傳統(tǒng)建模方法不再適用。學者們嘗試對收益率的高階矩建模獲取額外的非正態(tài)信息[2-3]，Jondeau和Rockinger[4]通過對投資者效用函數(shù)的泰勒展開，構(gòu)建了完整的高階矩投資組合框架?，F(xiàn)有的高階矩建模主要集中于三階矩(協(xié)偏度)與四階矩(協(xié)峰度)建模，因為協(xié)峰度與協(xié)偏度能夠?qū)鹑谫Y產(chǎn)收益率的厚尾性和有偏性進行刻畫。但是，協(xié)偏度與協(xié)峰度矩陣的估計面臨維數(shù)災難(Curse of Dimensionality)問題，資產(chǎn)個數(shù)的增加會使高階矩待估參數(shù)呈指數(shù)級增加，導致參數(shù)估計不準確。Martellini和Ziemann[5]將結(jié)構(gòu)化(Structure)建模與壓縮估計拓展到高階矩估計及投資組合中。Kris等[6]利用多因子模型對高階矩進行估計，并與單因子估計進行比較，發(fā)現(xiàn)多因子模型估計的投資組合效果優(yōu)于單因子模型。在國內(nèi)的高階矩研究中，蔣翠俠等[7]考慮了金融市場的高階矩風險并建立動態(tài)投資組合，王鵬等[8]建立自回歸條件方差-偏度-峰度模型，并運用到金融風險管理中。黃卓和李超[9]研究了廣義t分布與Gram-Charlier展開分布對于動態(tài)時變高階矩的擬合能力。方立兵和曾勇[10]則對高階矩風險產(chǎn)生機制的理論假設進行了檢驗。

現(xiàn)有研究常用相關系數(shù)矩陣或協(xié)方差矩陣刻畫資產(chǎn)收益率之間的相關性。在金融市場中，主成分分析(PCA)作為一種降維方法，被廣泛運用于提取資產(chǎn)的共同特征。但是資產(chǎn)收益率的非正態(tài)性會導致基于二階矩的PCA遺漏某些重要共同特征，如Ang和Chen[11]發(fā)現(xiàn)資產(chǎn)收益率在下降時的協(xié)同性總是高于上升時，資產(chǎn)收益率的降低會引起其它資產(chǎn)收益波動率增加。為捕捉資產(chǎn)收益率在高階矩上的相關性，Jondeau等[12]利用矩成分分析(Moment Component Analysis，MCA)來提取資產(chǎn)收益率的高階矩信息。矩成分分析是基于高階張量的一種統(tǒng)計分析方法，其中高階張量是對向量(一階張量)和矩陣(二階張量)的推廣?；趶埩康姆治龇椒ㄒ驯粡V泛應用到化學計量學、心理計量學、數(shù)據(jù)挖掘、信號處理和圖像生成中[13]。MCA將張量分析運用到資產(chǎn)收益率的高階矩上，利用高階矩張量來提取資產(chǎn)收益率的共同特征，是PCA在更高維度的一種拓展。

目前利用PCA對金融市場相關性進行研究的文獻已經(jīng)非常豐富。Billio等[14]利用PCA與格蘭杰因果檢驗測度不同金融機構(gòu)之間的相關性。Kritzman等[15]使用主成分吸收率(Absorption Ratios)作為衡量金融市場風險的標準，并對市場系統(tǒng)性風險進行預測，但無法預測市場系統(tǒng)性的上漲。PCA只能研究金融資產(chǎn)收益率間的相關性，無法挖掘波動率與收益率、波動率與波動率之間的相關性。為捕捉金融資產(chǎn)收益率在高階矩上的相關性，本文建立了相關系數(shù)、協(xié)偏度和協(xié)峰度矩陣的時變矩成分分析以及這三種矩陣不同權重的聯(lián)合矩成分分析，提取出不同結(jié)構(gòu)的矩成分吸收率，系統(tǒng)全面地分析矩成分吸收率對股市漲跌的預測能力。我們利用吸收率分析結(jié)果建立量化投資策略，基于矩成分吸收率動態(tài)投資策略對中國股市進行了回測，通過夏普比率對投資策略效果進行了評價。穩(wěn)健性分析表明基于矩成分吸收率的投資策略具有參數(shù)穩(wěn)健性，并且可以通過優(yōu)化高階矩時變結(jié)構(gòu)對投資效果進行優(yōu)化。

2 研究方法

2.1 高階矩特征值分解

令r為N個資產(chǎn)收益率列向量，其k階中心矩用一個對稱的實數(shù)張量表示：

(1)

(2)

其中Ck∈J1×J2×…×Jk也是一個k階張量，其任意元素表示為cj1j2…jk，下標jn∈{1,2,…,Jn}, 1≤n≤k,k≥3；×n表示張量k(r)與矩陣U(n)在mode-n上的乘法：

(3)

(4)

2.2 時變矩成分分析

(5)

(6)

(7)

在后面實證中，最大迭代次數(shù)設定為100次，收斂閾值δ=10-5。事實上，大部分求解只需要迭代40次以內(nèi)就已經(jīng)收斂，沒有出現(xiàn)迭代100次后還沒有收斂的情況。

2.3 聯(lián)合矩成分分析及其權重設定

(2)

(9)

2.4 高階矩張量的時變結(jié)構(gòu)設定

其中，zt=[z1,t,z2,t,…,zN,t]T，zi,t=(ri,t-mi,t)/σii,t，mi,t=βmi,t-1+(1-β)ri,t，σii,t=βσii,t-1+(1-β)(ri,t-mi,t)2。zt是在t時刻具有時變均值方差的標準化收益率。β為記憶參數(shù)。

2.5 矩成分吸收率

吸收率是由Kritzman等提出用于預測金融市場系統(tǒng)風險的一種分析方法，定義為前n個特征根占所有特征根的比率：

(11)

Kritzman等對吸收率測度金融市場系統(tǒng)風險的意義做出了解釋：高吸收率對應著高水平的系統(tǒng)風險，因為這意味著風險的來源更加統(tǒng)一。低吸收率表明低水平的系統(tǒng)風險，因為它意味著風險的來源更加不同。我們不應該期望太高系統(tǒng)性風險必然導致資產(chǎn)貶值或金融動蕩，這僅僅是市場脆弱的一個跡象，在這種情況下，當風險來源緊密耦合時，沖擊更有可能迅速蔓延。

結(jié)合高階矩因子結(jié)構(gòu)，通過MCA方法得到的改進吸收率可表示為：

(12)

為了避免錯誤選擇共同因子個數(shù)，我們構(gòu)建具有赫芬達爾指數(shù)結(jié)構(gòu)的MCA吸收率：

(13)

ΔARStd,t=(ARx,t-ARy,t)/σy,t

(14)

其中ΔARStd,t表示t時刻的標準化吸收率位移，ARx,t表示一個較短時間段x內(nèi)，t時刻吸收率的單側(cè)移動平均預測值，ARy,t表示一個較長時間段y內(nèi)，t時刻吸收率的單側(cè)移動平均預測值，σy,t表示y時間段內(nèi)的吸收率標準差。同時，為了反映吸收率的激增，定義標準化吸收率位移的正尖峰(Positive Spike)刻畫吸收率的激增：在任意時點t，若ΔARStd,t>θ，則稱t時刻存在一個正尖峰；定義負尖峰(Negative Spike)：在任意時點t，若ΔARStd,t<-θ，則稱t時刻存在一個負尖峰，其中θ為設定的閾值。

3 實證分析

3.1 樣本數(shù)據(jù)

本文對滬深300指數(shù)中成分股進行矩成分分析，參照中證指數(shù)有限公司對于滬深300指數(shù)的編制表，以2018年5月31日的成分股列表作為依據(jù)，將 2007年1月1日至2018年5月31日的日對數(shù)收益率作為研究樣本。由于時間跨度大，部分成分股上市較晚以及一部分成分股有長時間停盤，我們選取了上市時間在2006年以前，并且總停盤日不超過2個月的股票共52只成分股進行分析。保留的52只成分股由于在某些交易日停盤而存在少量收益率缺失，Stekhoven和Bühlmann[18]的研究表明MissForest是一種有效填補低缺失混合數(shù)據(jù)的方法，參考Man[19]對于缺失數(shù)據(jù)的處理，我們使用MissForest方法對少量缺失值進行填補。

3.2 共同因子個數(shù)選擇

統(tǒng)計因子模型的因子個數(shù)選擇一直以來是一個很重要的問題。比較著名的方法可見Johnstone[20]，Bai和Ng[21]，Onaski[22]，Ahn和Horenstein[23]等。這些研究僅討論了二階矩框架下的因子個數(shù)選擇，高階矩框架下的統(tǒng)計因子個數(shù)選擇鮮有見到。在PCA中，一種基于隨機矩陣理論(RMT)的方法認為因子個數(shù)能夠通過一個閾值確定，把不存在相關因子結(jié)構(gòu)的獨立樣本的最大特征根λmax作為閾值，大于閾值λmax的主成分的個數(shù)即為選擇的因子個數(shù)[20]。在正態(tài)分布數(shù)據(jù)下，閾值能夠通過RMT得到，但對于非正態(tài)數(shù)據(jù)，RMT不再適用，可通過模擬獲得。

受Jondeau等的啟發(fā)，我們通過對每一個資產(chǎn)收益率擬合廣義偏t分布(Skewed Generalized T Distribution)[24]，然后根據(jù)擬合的參數(shù)生成對應樣本結(jié)構(gòu)的獨立隨機樣本，最后對該樣本進行模擬獲取閾值。我們的方法擬合了不同收益率的邊際分布，并且閾值樣本與實證樣本有相同的結(jié)構(gòu)。具體步驟如下：

根據(jù)上述步驟，表1給出了這52只成分股因子個數(shù)選擇的閾值及特征根。可見，二階矩MCA選擇的因子個數(shù)為3，而三階矩MCA選擇的因子個數(shù)為6，四階矩MCA選擇的因子個數(shù)為8+，其它聯(lián)合MCA選擇的因子個數(shù)也都大于等于3個。因而至少需要3個因子對矩張量進行刻畫。Kritzman等認為第一因子的吸收率包含最多的市場系統(tǒng)風險。多個因子的累積吸收率可能存在信息的冗余，并且如果錯誤地選擇了因子個數(shù)，累積吸收率就很可能包含擾動項信息，導致結(jié)果不準確，最合理穩(wěn)健的方法是選取第一個因子吸收率來對股市波動進行預測。參考Kritzman等的建議，后面的分析主要基于單因子吸收率，累積三因子吸收率和赫芬達爾吸收率。

表1 MCA的閾值與特征根

注：M2、M3和M4分別表示二階矩、三階矩和四階矩MCA，JA、JB和JC分別表示有權重A、權重B和權重C的聯(lián)合MCA，SJA、SJB和SJC分別表示權重A、權重B和權重C的聯(lián)合偏度MCA。

3.3 矩成分吸收率對股市重大波動的預測

基于時變MCA(本節(jié)中β=0.95)，我們分別得到了各矩成分方法的單因子吸收率、三因子累積吸收率和赫芬達爾吸收率。我們計算了各吸收率之間的相關系數(shù)，AR1、AR3和ARH分別表示單因子、累積三因子和赫芬達爾吸收率。其中，M2-AR1與M4-AR1、JB-AR1、JC-AR1和SJC-AR1之間有很強的相關性，平均相關系數(shù)為0.976；M3-AR1與JA-AR1、SJA-AR1和SJB-AR1之間也存在強相關性，平均相關系數(shù)為0.985。因此，我們將吸收率歸納為兩大類，一類為二階矩及其衍生的矩成分吸收率，一類為三階矩及其衍生的矩成分吸收率。這兩類吸收率之間的平均相關系數(shù)只有0.829。圖1分別是9種MCA方法得到的單因子吸收率、三因子累積吸收率、赫芬達爾吸收率。我們發(fā)現(xiàn)，一種是類似M2-AR的變動趨勢，圖1的M4-AR、JB-AR、JC-AR和SJC-AR都是這種變動趨勢，但相對于M2-AR存在更多的尖峰；另一種是類似M3-AR的變動趨勢，分別為JA-AR、SJA-AR和SJB-AR，這種變動趨勢比M2-AR更為陡峭，存在大量尖峰(AR3與ARH變動趨勢與AR1基本一致，限于篇幅不展示)。

為分析各吸收率對于股市波動的預測能力，我們計算了在2009年2月3日至2016年2月3日期間的標準化吸收率位移(考慮到滾動迭代所產(chǎn)生的誤差，我們截去了部分尾部樣本)，共1706個樣本，(2.14)式中x分別取1、5、10和15天，y取1年，即242天。同時，我們?nèi)〕隽藴?00指數(shù)在樣本期間5%最高收益率與5%最低收益率發(fā)生的日期，每一側(cè)都有85個樣本，用來刻畫股市最好情況與最壞情況出現(xiàn)的日期。然后，我們計算了發(fā)生巨大波動日期的前40天與前60天至少出現(xiàn)一次正尖峰(Positive Spike)或負尖峰(Negative Spike)的頻率，閾值θ取0.25，另取2θ和3θ同時討論。

圖1 MCA單因子吸收率走勢折線圖

利用吸收率來預測股市波動，我們關注當正尖峰或負尖峰出現(xiàn)時，隨之而來的到底是股市大漲還是大跌?或者說，哪種情況發(fā)生的概率更大?例如表2中，在1天移動平均，閾值θ為0.25的條件下，M3-AR1出現(xiàn)正尖峰后，有88.5%的情況60天之內(nèi)會出現(xiàn)股市5%最低收益率，有73.6%的情況60天之內(nèi)會出現(xiàn)股市5%最高收益率。也就是說，之后60天內(nèi)股市大跌相對于大漲的可能性更高。我們綜合表2中1天MA，5天MA，10天MA與15天MA的尖峰頻率對吸收率的尖峰出現(xiàn)后股市波動情況進行了總結(jié)，從表3可以發(fā)現(xiàn)M3、JA、SJA和SJB這幾種方法在三種吸收率下都有最好的表現(xiàn)：無論是1天MA，5天MA，10天MA與15天MA，當正尖峰出現(xiàn)時，之后60天內(nèi)股市大跌相對于大漲的可能性更高，當負尖峰出現(xiàn)時，之后60天內(nèi)股市大漲相對于大跌的可能性更高。而其它方法都只能對股市大漲進行預測，無法對股市大跌進行全面預測。同時可以發(fā)現(xiàn)，所有方法都是用負尖峰預測股市大漲，正尖峰預測股市大跌。

表2 股市重大波動前60天矩成分吸收率尖峰頻率統(tǒng)計

注：1.限于篇幅，我們只列出M2-AR1,M3-AR1,M4-AR1這三種方法在1天MA的結(jié)果，完整表格包含9種矩成分吸收率在1天MA，5天MA，10天MA，15天MA的頻率統(tǒng)計. 2.MA表示單側(cè)移動平滑，θ表示閾值?！?%worst”和“5%best”分別表示股市5%最壞和5%最好收益率。

表3 矩成分尖峰出現(xiàn)后60天內(nèi)高頻率股市波動類型統(tǒng)計

注：“worst”和“best”分別表示對應方法在所有參數(shù)組合下，60天內(nèi)股市高頻率會發(fā)生5%最壞和5%最好收益率，‘—’表示對應方法無法判斷60天內(nèi)股市高頻率發(fā)生的波動類型。

3.4 基于矩成分吸收率的量化投資策略

在本節(jié)中，我們利用上一節(jié)得到的結(jié)論進行量化投資。參考Kritzman等(2011)提出的投資策略：(1)如果ΔARStd,t>θ，說明隨后股市會大跌，則將100%資金投資到10年期國債上；(2)如果ΔARStd,t<-θ，說明隨后股市會大漲，則將100%資金投資到股市中；(3)如果-θ<ΔARStd,t<θ，對股市狀況無法判斷，則將50%資金投資到股市，50%資金投資到10年期國債上。

3.4.1 全樣本動態(tài)投資策略表現(xiàn)

考慮2009年2月3日至2016年2月3日期間的投資策略，用滬深300指數(shù)收益率代表投資股市的基準收益率，由于10年期中國國債與滬深300指數(shù)的相關系數(shù)為-0.074，相關性為負且很低，表明投資國債一定程度上能夠規(guī)避股市風險。表4展示了基于9種MCA方法AR1的投資策略與等權長期持有(Buy and Hold，B&H)策略的收益情況，我們用夏普比率作為衡量投資效果的標準，無風險收益率為5年期定期存款利率。表格最后一行計算了所有參數(shù)組合下的平均夏普比率。

表4 各MCA方法AR1動態(tài)投資策略收益率統(tǒng)計

續(xù)表4 各MCA方法AR1動態(tài)投資策略收益率統(tǒng)計

注：1.平均夏普比率指該方法所有參數(shù)情況下的夏普比率平均值。2.加粗處為相同參數(shù)條件下該方法有最高的夏普比率。

從表4中可以發(fā)現(xiàn)，在不同的參數(shù)組合下，基于各高階矩吸收率投資策略的夏普比率明顯高于M2-AR1投資策略與B&H策略，其中基于M3-AR1的投資策略基本上有著最好的表現(xiàn)，擁有最高的平均夏普比率0.97，同時夏普比率基本穩(wěn)定在0.9以上。這充分體現(xiàn)了高階矩吸收率的優(yōu)越性，能夠?qū)墒械闹卮蟛▌幼龀霰萂2-AR1更準確的預測。同時，在表4中能夠?qū)墒写鬂q與大跌同時做出預測的M3-AR1，JA-AR1，SJA-AR1和SJB-AR1在表4中的平均夏普比率基本上優(yōu)于M4-AR1，JB-AR1，JC-AR1和SJC-AR1(只能對股市大漲做出預測)。在AR3與ARH的投資策略中，也有類似結(jié)果(限于篇幅不展示，如有需要可向作者索要)。從吸收率角度來看，基于AR1的投資策略最優(yōu)，其次是ARH，最后是AR3。

進一步對比表4中聯(lián)合矩成分吸收率的表現(xiàn)，在不同的參數(shù)組合下，SJA-AR1與SJB-AR1的表現(xiàn)基本優(yōu)于SJC-AR1，同時JA-AR1表現(xiàn)優(yōu)于JB-AR1和JC-AR1。綜合AR3與ARH的投資表現(xiàn)，從平均夏普比率角度，三種權重的聯(lián)合MCA投資策略權重A最優(yōu)。同時高階矩的MCA投資策略效果都明顯優(yōu)于M2策略與B&H策略，表明了高階矩信息在股市重大波動預測的有效性。綜上，在所有投資策略中，M3-AR1表現(xiàn)最優(yōu)。權重A在聯(lián)合矩成分投資策略中表現(xiàn)最優(yōu)。

圖2給出了參數(shù)組合為5天MA，θ=0.5的M2-AR1，M3-AR1，M4-AR1和滬深300指數(shù)在2009年2月3日到2016年2月3日期間的累積投資收益，散點線為滬深300指數(shù)走勢，實線為M2-AR1的投資收率，短虛線為M3-AR1的投資收益率，長虛線為M4-AR1的投資收益率。首先，可明顯觀察到MCA投資策略對于股市重大波動的預測，如2009年的一波漲勢，2015年的大漲，以及隨后的大跌，M3-AR1與M4-AR1投資策略都有很好的表現(xiàn)，其中M3-AR1投資效果最優(yōu)，尤其是2015年的股市大跌，基于高階矩吸收率的投資策略完全成功地規(guī)避了市場風險。而M2-AR1只是在部分時間優(yōu)于股市大盤，同時在2015年的大跌也表現(xiàn)良好，但投資效果不如M3-AR1與M4-AR1。

圖2 單因子矩成分方法累積投資收益圖

3.4.2 熊市的動態(tài)投資策略表現(xiàn)

基于2009年2月3日至2016年2月3日期間的MCA投資策略能夠很好地把握股市行情，規(guī)避股市的大跌。另一方面，我們也關心投資策略在熊市中的表現(xiàn)。我們選取了2009年8月4日到2014年1月20日的股市，是一段無重大波動的熊市。利用2009年2月3日之前的樣本估計了初始的樣本矩，同時對樣本區(qū)間內(nèi)數(shù)據(jù)進行了時變MCA，提取各矩成分方法的吸收率，建立了基于吸收率的動態(tài)投資策略。本小節(jié)的參數(shù)設置與3.4.1節(jié)相同。表4最后一行展示了2009年至2014年熊市期間各MCA方法AR1投資策略的平均夏普比率。可以發(fā)現(xiàn)，B&H投資策略表現(xiàn)很差，夏普比率為-0.43。但是基于MCA方法的平均夏普比率基本保持為正值，其中M3-AR1具有最好表現(xiàn)，平均夏普比率為0.13?？梢钥闯觯诰爻煞值奈章试谛星槠椒€(wěn)的熊市中仍然有著較好的表現(xiàn)，能夠抵御熊市的沖擊。

3.5 穩(wěn)健性分析

本節(jié)對矩成分吸收率動態(tài)投資策略中設定的參數(shù)進行穩(wěn)健性分析。主要討論：

(1)不同的指數(shù)移動平均系數(shù)β的矩成分吸收率投資策略表現(xiàn)；

(2)不同的尖峰閾值θ的矩成分吸收率投資策略表現(xiàn)；

(3)不同的長期移動平均天數(shù)y的矩成分吸收率投資策略表現(xiàn)。

上述分析均基于2009年2月3日至2016年2月3日的中國股市，利用平均夏普比率來評價投資效果。表5給出了β在0.85～0.995之間不同取值時，各矩成分AR1，AR3，ARH和B&H投資策略的平均夏普比率，同樣可以發(fā)現(xiàn)基于高階矩吸收率的投資效果要優(yōu)于二階矩。同時，隨著記憶參數(shù)β取值減小，各MCA方法的投資策略平均夏普比率會先增加后減小。我們分析認為這是時變MCA方法自身的性質(zhì)所致，時變的矩成分吸收率是基于時變的樣本矩得到的，記憶參數(shù)β減小，新的信息進入矩張量也就越多，吸收率也就能夠捕捉到更多市場相關結(jié)構(gòu)的變化，所以能夠?qū)κ袌鰸q跌做出更優(yōu)的預測。但是，β的取值太小，納入的市場噪聲也就越大，投資效果會失真。所以，選擇合理的記憶參數(shù)，或者優(yōu)化高階矩的時變結(jié)構(gòu)是非常重要的。對于指數(shù)移動平均記憶參數(shù)β，我們建議在0.9～0.95之間選擇。

表6給出了閾值θ分別取不同值時，各矩成分AR1和B&H投資策略的平均夏普比率。結(jié)果表明，所有高階矩投資策略表現(xiàn)優(yōu)于二階矩投資策略，同時優(yōu)于B&H策略。其中三階矩投資策略最優(yōu)，基于權重A的聯(lián)合MCA優(yōu)于權重C。同時，各矩成分投資策略對于參數(shù)θ的取值很穩(wěn)健。表7給出了長期移動平均天數(shù)y取不同值時，各矩成分AR1和B&H投資策略的平均夏普比率。表7與表6表現(xiàn)相同，各矩成分投資策略對于參數(shù)y很穩(wěn)健，同時基于權重A的聯(lián)合MCA優(yōu)于權重C。

表5 指數(shù)移動平均系數(shù)參數(shù)β穩(wěn)健性分析

表6 尖峰閾值θ穩(wěn)健性分析

表7 長期移動平均天數(shù)y穩(wěn)健性分析

綜合穩(wěn)健性分析結(jié)果，基于時變矩成分吸收率的投資策略對于指數(shù)移動平均系數(shù)β，閾值參數(shù)θ，長期移動平均天數(shù)y都很穩(wěn)健。需要注意，指數(shù)移動平均系數(shù)β對于投資策略效果有一定影響，但是這不會改變高階矩投資策略優(yōu)于二階矩投資策略這一結(jié)論，我們可以通過擬合更好的高階矩時變結(jié)構(gòu)來進一步優(yōu)化投資策略。

4 結(jié)語

本文通過時變MCA提取了各階矩的矩成分吸收率，對Kritzman等提出的主成分吸收率進行了擴展，定量研究了吸收率對股市重大波動的預測能力，研究發(fā)現(xiàn)三階矩及其衍生矩成分吸收率對股市波動有良好的預測能力，能夠通過吸收率激增、激減分別對股市大跌、股市大漲進行預測，而二階矩及其衍生矩成分吸收率只能對股市大漲做出預測，無法對股市大跌做出有效預測。本文利用吸收率分析結(jié)果建立了量化投資策略，通過夏普比率比較了不同矩成分吸收率投資策略的效果。實證結(jié)果表明，高階矩吸收率投資策略表現(xiàn)優(yōu)于二階矩吸收率投資策略，其中三階矩吸收率投資策略表現(xiàn)最優(yōu)。矩成分吸收率投資策略不僅能夠?qū)墒邢到y(tǒng)性漲跌做出預測，同時在熊市中也有良好的表現(xiàn)。本文構(gòu)造的赫芬達爾吸收率表現(xiàn)基本與單因子吸收率持平，基于元素值聯(lián)合矩成分的權重優(yōu)于基于元素個數(shù)的聯(lián)合矩成分權重。穩(wěn)健性分析也表明基于矩成分吸收率的投資策略具有參數(shù)穩(wěn)健性?？梢?，時變矩成分方法能夠挖掘主成分方法缺失的信息，使投資者做出更優(yōu)的投資決策。進一步的研究可通過優(yōu)化高階矩時變結(jié)構(gòu)對投資效果進行優(yōu)化，基于時變高階矩構(gòu)建其它量化投資策略。