【关键词】股票型开放式基金政策性资产配置基金业绩
一、文献综述
资产配置是根据投资需求将投资资金在不同的资产类别之间进行分配,通常是将资产在高风险、高收益证券和低风险、低收益证券之间进行分配。从时间跨度和风格类别上看,可分为战略性资产配置和战术性资产配置。
战略性资产配置是资产配置的基本方式,它根据不同资产类别的收益特征和投资者的风险偏好,构造一定风险水平上的资产比率,并保持长期不变,又称为政策性资产配置(policyassetallocation)。战术性资产配置则是在战略型资产配置的基础上根据市场短期变化,对具体的资产比率进行调整,其强调的是短期内的盈利策略。
国外关于对资产配置的研究:Williamsharp(1981)发现,资产配置是最重要的决策。Brinson、Hood和Beebower(1986)通过分析美国91家大型养老基金从1974年到1983年的数据发现,政策性资产配置对养老基金业绩的解释程度为93.6%,远远超过用类似方法计算的“时机选择”及“证券选择”对基金业绩的解释程度,所以认为政策性资产配置是决定基金业绩最重要的因素。Brinson,D.SingerandBeebower(1991)的研究论证了Brinson在1986年的结论,政策性资产配置对基金在时间序列上的业绩差异的解释程度为91.5%。Ibbotson和Kaplan(2000)的研究也基本证实了Brinson的研究结果,他们对94只共同基金和58只养老基金的研究表明,同一基金业绩随时间波动中90%可以由政策性资产配置解释,不同基金业绩差异中约40%可以由政策性资产配置来解释,同一基金政策性资产配置对总收益水平的贡献程度高于100%。
在国外研究的基础上,国内对基金资产配置的研究文献也大量出现。张新、杜书明(2001)运用经典的夏普指数、特瑞纳指数、詹森阿尔法对我国证券投资基金的整体绩效表现进行了较为全面、客观的衡量,研究发现没有足够的证据表明我国基金取得超越基准指数的表现,各个基金均未显示出优异的选股能力和择时能力,基金很难取得持续性超越市场的表现;蒋晓全、丁秀英(2006)通过建立面板数据模型实证研究发现政策性资产配置在时间序列上对同一基金的业绩起着重要作用,而基金积极管理程度与政策性资产配置对不同基金业绩差异贡献程度的关系不明显。李学峰、茅勇峰(2007)从风险与收益相匹配的视角,实证研究发现我国的大部分封闭式基金具有较高的资产配置能力,同时还发现,我国证券投资基金很大程度上通过投资组合中的证券调整来进行资产配置,而较少通过对组合中资产的调整来满足资产配置的要求。
二、模型设计
基金的总收益(净值增长率)可以分解为两部分:政策性资产配置收益(Pol1cyreturn,用PR表示)和主动性收益(Activereturn,用AR表示),政策性收益是指总收益中来自于政策性资产配置的收益,主动性收益是指基金经理的选股收益和选时收益。所建立的模型如下:
TRi,t=(l+PRi,t)?鄢(l+ARi,t)-1(1)
其中:TRi,t表示基金i在t期的净值增长率;PRi,t表示基金i在t期的政策性资产配置收益;ARi,t表示基金i在t期的主动性收益。
政策性收益是基金总收益中来自于政策性资产配置的收益,计算公式如下:
PRi,t=■(Wn,t?鄢Rn,t)(2)
其中:Wn,t表示基金i在t期的股票、债券、现金以及其他资产等各类资产的配置比例;Rn,t表示t期各资产的基准收益率。
根据Ibbotson和Kaplan(2000)提出对证券投资基金资产配置效率的研究方法,我们将会对我国基金的资产配置效率研究三个方面的问题:第一,政策性资产配置对同一基金在时间序列上的业绩差异的解释程度;第二,政策性资产配置对于不同基金之间业绩差异的解释程度;第三,政策性资产配置对基金总收益的贡献程度。
三、研究样本和数据来源
本文以2006年1月1日到2009年9月30日作为研究周期,并以季度为研究单位,我们选取的基金样本是在2006年之前成立的股票型开放式基金,并且剔除了指数型基金,仅限于成长型基金、平衡性基金和价值型基金,最后入选的包括45只股票型开放式基金:其中包括成长型基金12只,平衡型基金25只,价值型基金8只。
基金投资组合的资产类别包括三个部分:股票、债券、现金以及其他资产。各类资产的市场基准收益率确定如下:股票资产的市场基准收益率以沪深300指数(000300)的季度收益率来计算,债券资产的市场基准收益率以中信标普国债季度收益率(816020)来计算,现金和其他资产的市场基准收益率以该季度内无风险利率来计算。所有的数据来自于和讯基金、RESSET/DB金融数据库、软件和各基金公司的网站。
四、对我国证券投资基金资产配置能力的实证检验
本文采用计量经济模型依次对上述三个问题进行实证分析。
1、政策性资产配置对同一基金在时间序列上的业绩差异的解释程度
首先,我们利用搜集的各类资产的配置比例和资产的基准收益率数据,根据公式(2)计算各只基金的PRi,t;其次,对45只基金17个季度的收益率依次建立计量模型:TRi,t=c1+c2?鄢PRi,t+Ui,t,得到R2,其中41只基金的R2≥80%,模型的拟合优度较高,结果见表1。最后,对45只基金的R2进行简单的平均,得到政策性资产配置大约对同一基金在时间序列上的业绩差异的解释程度为88.6%,而国外的研究也发现政策性资产配置的贡献度在90%左右,说明我国证券投资基金的政策性资产配置能力与国外的差别不大,政策性资产配置对我国同一证券投资基金在时间序列上的业绩起着重要作用(见表2)。
2、政策性资产配置对于不同基金之间业绩差异的解释程度
在这个问题的研究中,我们将会用到基金在整个期间复合季度平均回报率,计算公式如下:
通过公式(3)、(4)求出基金i的季度复合平均收益率TRi和季度复合平均政策性资产配置收益率PRi,对45只股票型开放式基金建立一元线性回归模型:TRi=c1+c2?鄢PRi+Ui,得到的R2为18.64%,即政策性资产配置对不同基金之间的业绩差异的贡献程度为18.64%(见表3)。
从表3中发现,政策性资产配置对我国证券投资基金之间业绩差异的解释程度为18.64%,说明政策性资产配置对基金业绩差异有一定的解释程度,但低于美国共同基金的40%和养老基金35%的解释程度。这表明我国证券投资基金之间的业绩差异不是来源于政策性资产配置,而是主要来源于基金经理的选股能力和择时能力等主动性因素。
3、政策性资产配置对基金总收益的贡献程度
PRi,t/TRi,t表示政策性资产配置能力对总收益的贡献程度,我们按季度分析了45只基金的政策性资产配置的效果。结果见表4,表中数据是根据各基金的规模加权平均计算得到。
对各季度数据进行简单加总平均,我国政策性资产配置对总收益的贡献率为PR/TR=86.75%。政策性资产配置对我国基金收益的贡献很大,达到了86.75%,而主动性因素对我国基金总收益的贡献不明显。
五、结论
本文通过实证检验分析了我国45只股票型开放式基金的政策性资产配置效率,得到如下结论:第一,政策性资产配置对我国同一证券投资基金的在时间序列上的业绩起着重要作用。政策性资产配置对我国同一基金业绩在时间序列上变动的解释程度为88.6%。第二,政策性资产配置对不同基金之间业绩差异的解释程度为18.64%,低于美国共同基金的和养老基金的解释程度。我国证券投资基金之间的业绩差异主要来源于基金经理的股票选择和择时能力等主动性管理因素。第三,政策性资产配置对我国基金收益的贡献程度很高,其贡献率为86.75%,而主动性配置对基金总收益的贡献不明显。
【参考文献】
[1]Brinson.G.P、Hood.LR、Beebower.G.L:DeterminantsofPortfolioPerformance[J].FinancialAnalystsJournal,1986(7/8).
[2]Brinson.G.P、Singer.BD、Beebower.G.L:DeterminantsofPortfolioPerformanceⅡ:AnUpdate[J].FinancialAnalystsJournal,1991(5/6).
[3]RogerG.Ibbotson、PaulD.Kaplan:Doesassetallocationpolicyexplain40,90,or100percentofperformance?[J].FinancialAnalystsJournal,2000(1/2).
[4]张新、杜书明:中国证券投资基金能否战胜市场[J].金融研究,2002(1).
战胜业绩基准：短期不及长期
由图1所示，通过对2012年以前成立的283只股票型基金的相对业绩考察显示，股票型基金在长期的相对业绩较好，即在长期超越比较基准的概率较大。由于基金本身属于长期投资品种，因此就股票型基金整体而言，至少在中长期为投资者创造了价值，仍可以作为投资者进行财富管理的有效工具。
战胜业绩基准：小公司不及大公司
表1、2显示出资产净值规模前十的公司与后十的基金公司旗下基金在各期间超越业绩比较基准的比例。可以看出，除了今年以来及近两年以来小公司基金战胜比较基准略高于大公司外，其他统计期间内都是大公司旗下的基金有更高的概率跑赢基准。这主要是由于大基金的规模优势，其在集合投资、分散风险和交易费用上有比较优势，同时公司在人才吸纳和投研支持上的吸引力稳定性更强，因此获得更好的业绩也相对容易。当然，从另一个角度来说，基金规模的扩大和基金的业绩也是密切相关的。
战胜比较基准：合资与中资相当
图2显示，无论从短期还是长期看，中资基金公司旗下基金的业绩超越基准的概率都与合资基金公司相当，也就是说，尽管合资公司拥有其所宣称的全球背景，能够比较容易地引入国外的先进理念与管理技术，但在业绩上并没有比本土公司体现出明显的优势。
战胜比较基准：绩优基金风格鲜明
上述分类中，相对业绩从未超过基准的基金指的是在今年以来、近1年、近2年直至近5年6个统计区间中均未能战胜比较基准的基金；而相对业绩持续超越基准基金的选择标准则为今年以来、近1年、近2年直至近5年的6次统计中至少5次跑赢基准。此外，选入样本的基金均成立于2007年以前，见表3。
在图3中，左侧为相对业绩从未超过基准的基金各项风格指标的均值，右侧是相对业绩持续超越基准的基金各项风格指标的均值。
进行投资的时候，你应该将资金分配在哪些品种上？各类型资产占多少比例？如何将鸡蛋放在不同篮子里的资产配置问题是投资过程中的重要步骤，也是投资者能否实现投资目标的关键，基金投资也是如此。
基金其实是股票、债券和现金等投资品种的组合，根据其主要的资产分布可分为股票型基金、配置型基金、债券型基金和货币市场基金等。股票型基金将资产大部分投资在股票的基金，也会投资少量的债券。债券型基金将大多数资产投资在债券上。配置型基金则在股票和债券上进行混合配置，其中积极配置型基金的股票比重高一些，而保守配置型的债券比重要高一些。对于基金投资人来说，则要通过建立由不同类型基金构成的组合，来落实自己的投资最终在各类型资产上的分布。
首先，应该放下不切合实际的幻想，象以往市道中抓住哪只基金“赚一笔走人”之类的，不妨把自己的期望值放低下来，未必要“低到尘埃里”，而是与组合配置的思路相匹配――好比瓜田里有甜瓜和涩瓜，但一般不会长出豆子来。
无论你投资了什么基金，其实是股票、债券和现金等投资品种的组合。资产配置可从两个层面来进行。最基本的层面是如何将资金配置在股票、债券和现金这些资产大类上。更深一步的层面是将股票和债券资产进一步分散在不同类型股票或债券上，以降低风险。
首先，来看看如何进行资产大类的配置。具体将多少的金额配置在股票、债券和现金上是由投资者的投资目标、投资周期、风险承受能力和投资金额来决定的。这个步骤称为战略性资产配置，也是最基本的资产配置。
根据投资目标、投资周期、风险承受能力和投资金额，投资者采取不同的投资策略，将资产按不同比例配置在股票、债券和现金上。例如，如果投资周期大于10年且投资者可以承受较大的风险，可采取激进型投资策略，以追求较高的长期收益。这时，投资者可以将大部分资产投资于股票上。如果投资周期大于5年且投资者可承受一般水平的风险，可采取稳健型投资策略，将资产在股票和债券进行平衡的配置。如果投资周期小于5年且投资者比较厌恶风险，就更着重保持现有的财产的价值，可采取保守型投资策略，将多数资产置于债券和现金上。
投资者可以用区间的形式确定持有各类资产的比例，这样比限制一个固定的比例更有效。例如，投资者可将债券的投资比例定在总资产的5－25％，而在这个范围内，根据债券在市场中的表现，决定增持还是减持。
将投资金额配置在股票、债券和现金等资产类别后，为了分散风险，投资者应通过考察基金的投资组合中具体的股票和债券，使资产进一步分散在不同投资风格、不同市值大小的股票和不同久期、不同信用素质的债券上。
投资者可将资产分散在各个不同投资风格的股票上，有利于降低投资的风险。投资者可以将一部分资产购买价值型基金，一部分投资于成长型基金。当然，投资者也可通过持有平衡型基金来达到给既持有价值型股票又持有成长型股票的目的。但当投资规模较大时，如果分开持有价值型基金和成长型基金，可以根据不同投资风格基金的市场走势调整持有比例，以抓住市场中出现的机会。
另一方面，将股票资产配置在不同市值大小的股票上也是需要关注的。一般地，大盘股风险收益特征要相对低于中小盘股票，保守型的投资者可以投资较多的大盘股基金，如果投资者风险承受能力较高，可增加中小盘基金的持有比例。
值得关注的是，随着QDII的放行，国内投资人也开始面临股票资产在全球不同市场配置的问题。进行海外配置的目的是为了分散风险还是追求某个市场的收益，也是需要重点考虑的问题。
1.引言
近年来金融工具及其衍生物越来越多元化，其带来的不确定因素也越来越大，因而金融市场的风险也就越来越高。金融市场间的关系更是变得日趋复杂，更多的呈现出非线性、非对称和厚尾的特性，金融波动和危机的频繁出现使聚合风险管理和金融市场间相依关系分析成为国内外关注的焦点。
现阶段最常使用的风险度量指标是20世纪90年代j.p.morgan和g30集团提出的var（valueatrisk）方法，var旨在一定的置信水平下，估计金融资产或组合受市场因子波动影响，而在未来特定的一段时间内的最大可能损失。严格的说，var描述了在一定的目标期间内收益和损失的预期分布的分位数。如果c代表置信水平，var对应的是较低的尾部水平1-c。可表示为：
其中，表示某事件的概率，表示资产或资产组合在持有期内的损失，c为置信度水平。在最近这些年var作为金融风险度量工具得到了广泛的应用，然而，研究发现var不具有次可加性和一致性的风险度量，后来针对这一问题，acerbi等[2-3]提出了期望损失es（expectedshortfall）的定义。
假设r为持有期内资产或者资产组合的损益，并假设r的累积分布函数f（r）（cdf）是连续的，那么对于置信水平，var也可以用如下定义：
式中，表示r的分布在给定显着水平的下侧分位数。假设表示r的概率密度函数，那么置信水平为1-c下的es可以定义为：
式中，为示性函数。es实质上是将资产价值r乘以权重的从-到0的积分，这样它就把超过var水平的损失部分考虑进去了。从经济意义上讲，es就是指当损失超过var时的平均损失。由于它同时具有了次可加性和一致性，是一个较好的风险度量工具。rappoport（1993）第一次在金融行业中用它来做风险管理的一个工具，后来acerbi（1997）等人证明了该方法是一个一致性的风险度量工具。
同时，通过引入copula函数度量资产组合集成风险的方法已经越来越成熟。schweizer和sklar最早提出copula函数的概念及其它的一些性质。后来sklar指出了copula函数可以把具有不同类型边缘分布函数连接起来，并且能抓住它在风险管理应用中的本质特征（例如：尖峰厚尾性）；emberchts等第一次把该方法引入到金融类相关研究之中。许多研究学者在他们的基础上做了很多有意义的研究。例如：breymann等人研究表明了学生t-copula的经验拟合比高斯copula优越很多；ceske，hemandez（1999）提出可以将copula函数与montecarlo技术结合计算相关损失；matteis对archimedeancopula做了很好的总结。
在我国，copula函数方法在金融上的应用才刚刚起步，且其中绝大多数文献做的是介绍性、引入性的研究。最早见的是张尧庭（2002）提出copula函数在金融风险领域大有可为；史道济利用copula函数研究外汇组合的相关性；司继文（2004，2005）分别将copula函数应用于国内外的股票市场和期货市场；韦艳华、张世英（2004）将garch模型应用于copula函数，来度量金融时间序列的自相关结构。前人的研究主要集中在利用copula函数对股市或资产组合的相关性研究。而韦艳华（2004）利用garch模型拟合正态copula函数的边缘分布，然后运用montecarlo仿真技术计算投资组合的var。
本文创新一是采用garch或者egarch模型来拟合t-copula函数的边缘分布，克服了传统garch模型不能处理特定非对称金融时间序列的局限性。对此，本文也比较分析了单独使用garch下和本文采取的方法下的风险值，研究表明本文提出改进的思路对风险估计更为准确。改进二在于对于风险衡量的指标不是仅仅采用var，而是利用var与es双监管的风险度量方法，克服了传统风险度量var的很多缺陷（不具有次可加性、正齐次性等）。最后通过度量我国股票型开放式基金的市场风险为出发点，运用montecarlo仿真技术计算投资组合的var以及es，具有很强的实用价值。
2.garch或者egarch收益率分布模型
对于某一金融资产，投资者最想知道的是将来某个时刻该资产收益率的信息。由于金融资产收益率的尖峰厚尾性、条件异方差性、波动聚集性和杠杆效应等，普通的garch模型对对前三者能较好的刻画，但是对于杠杠效应garch模型不能刻画出，因此，本文对不存在杠杆效应的收益率序列采用garch模型拟合资产收益率的特征，对存在杠杠效应的收益率序列采用egarc模型刻画。该模型是glostenjagannathan和runkle在engle提出自回归条件异方差（arch）模型和bofloerselev提出的广义自回归条件异方差（garch）模型的基础上改进提出的，它考虑了坏消息和好消息对波动性不同的影响。
假设投资组合中有d种金融资产，对于资产i，直接根据最近的n期历史收益率数据（t=1，2，…，n）运用garch其中eagch模型中条件方差采用自然对数形式，意味着非负，且杠杠效应为指数型的。模型中引入了一个重要参数，若，说明信息作用非对称，存在杠杠效应。为第i个资产收益率序列；为的条件均值项；v是t分布的自由度。为待估参数；随机扰动项服从均值为0，方差为1的标准t分布。即：
它的形式使得garch或者egarch模型能够较好地描述收益率序列的各种特性（如条件异方差性、波动聚集性）。
假定利用观察资产收益率历史数据样本可以得到，在估计出参数后，可以得到下一时刻收益率的条件分布：
其中，是自由度为v的t分布函数，是到时刻t为止的信息集。利用matlab可以很方便地由样本观测数据估计出garch模型的各个参数，从而由式（2）得到给定t时刻前信息集的条件概率分布。
3.copula函数的参数估计
在资产分配、衍生品定价和风险管理等许多金融领域中，有关风险因素之间的相关性度量及其重要。许多文献中常采用多元正态函数，然而各种金融资产的收益率之间一般并不符合多元正态分布的假设，为此，本文使用copula函数来解决这个问题。
由sklar定理可知，对于一个具有边际分布函数为（）的金融资产的联合分布函数f，一定能找到一个copula函数c，使得：
如果所有的边际分布函数都连续则从上式定义的copula函数是唯一的。从上式可以计算得出copula：
其中，
文献表明，t-copula能更好地刻画各个金融资产的尾部相关性，本文研究的是t-copula连接函数分布。
其中，表示相关系数矩阵为r，自由度为v的维标准t分布函数，表示自由度为v的单变量标准t分布函数的反函数。copula模型为：
参数v为t分布的自由度。为d维t-copula分布，表示均值为0，方差为1，自由度参数为的正规化t分布函数，即：
式中是伽马函数。由于t-copula的密度函数对任意维数都不是一个简单的形式，本文根据t-copula函数形式使用matlab工具估计其参数，过程
（1）把资产收益率数据通过概率积分变换转化为一致分布；
（2）用对数似然函数法估计学生t-copula的参数：
此处的copula函数c为公式（4）给出的；
（3）令，此处是单变量累积标准正态分布函数；
4.利用模特卡罗模拟资产组合的var和es
根据embrechts关于利用t-copula函数模拟随机变量的方法，多次模拟资产组合资产收益率的随机扰动项。具体模拟步骤为：
（1）由上述估计出的随机扰动项的相关系数矩阵r，对其进行cholesky分解。
（2）根据标准正态分布，模拟d个相互独立的随机变量。
（3）产生与y相互独立的变量e，服从分布。
（4）令。
（5）令，则x为服从自由度为v的t分布。
（6）计算得到。
（7）根据得到联合分布为，连接函数为的d维随机扰动项。
（8）根据egarch或garch模型，得到金融资产收益率的条件均值和条件方差，然后根据随机波动方程，得到资产组合的资产收益率向量。
（9）给定资产在投资组合中的权重，计算投资组合收益r的值。
（10）重复上述过程5000次，模拟得到其经验分布，容易求出var和es的值。
5.实证研究
（1）数据的选取和边缘分布的估计
本文选取融通深证100基金2010年3月31日公布的前10大重仓股票作为观测样本，如表1所示。
本文采用从2004年7月1日至20010年3月31日共937个（对空缺数据已做处理）交易日的收盘价作为原始数据，计算出每只股票的对数收益率，并根据公式（1）、（2）估计出每只股票的边际分布，利用aic准则、sc准则和杠杆系数检验可以得出万科a、苏宁电器、中兴通讯、格力电器、吉林敖东存在杠杠效应，适宜采用egarch模型建模（其余采用garch建模拟合效果更好），下面以第三、四只股票五粮液（000858）和苏宁电器（002024）为例，分析其边缘分布函数的估计和拟合效果的评价。参数估计结果见表2和3：
其中，表2、3中括号的数据表示相应t统计量的估计值。从表2、3中给出的k-s相伴概率可知，利用cml方法对原序列做概率积分变换后，序列服从[0，1]的均匀分布。由此可以说明本文提出的模型可以较好地描述相关资产的边缘分布。同样的方法检验了其他8只股票的边缘分布拟合效果，都说明了garch或者egarch模型能较好拟合各自的边缘分布，因此用本文的模型描述收益率序列的边缘分布是充分的。
（2）copula函数参数估计和montecarlo模拟var和es
此处为了对比分析采用egarch或garch拟合边缘分布与仅仅采用garch拟合的效果，根据上面估计得各个股票收益序列的边缘分布，利用文中第四部分的估计copula函数参数的方法，估计得出其t分布的自由度dof=7.5848和各自的相关矩阵（表4、表5）。
由上述结果可知，仅仅采用garch拟合边缘分布使得各个资产之间的相关系数整体性的变小。从而可以推断出可能会导致风险的低估，从而对准确度量基金风险存在一定的影响。进一步的风险值比较分析可见表6、表7。
按照表1的投资比例，假设投资者处于t时刻，这里的t时刻指的是样本时间段的最后一天，即2010年3月31日，t时刻的投资组合价值为：
假设资产持有期从t时刻到t+1时刻，置信水平选择95%和99%进行估计。根据本文的copula-garch（egarch）模型，运用t-copula函数的模特卡罗模拟仿真模拟5000次，可以得出t+1时刻各个股票的收益率序列，进一步可以计算出t+1时刻各股票的损失序列，给定置信水平，容易得出t时刻到t+1时刻相应的投资组合var和es值，表6、7分别给出了本文提出的采用egarch或garch拟合边缘分布和传统方法仅仅采用garch模型拟合的情况下各个股票和证券投资组合的var和es值。
表6、表7清晰的显示本文所提出的方法对准确估计风险更进了一步，比较而言传统方法只使用garch模型拟合边缘分布导致了单个资产和资产组合的风险值都偏小。对于文中提出使用egarch模型拟合万科a、苏宁电器、中兴通讯、格力电器、吉林敖东，从表6与7中可以看出，var与es的风险值都比其他个股风险值偏离程度更大，说明采用egarch模型针对特定（存在杠杠效应）金融序列拟合效果更好，风险估计更为准确。
单独分析表6可以看出，在投资额一定的情况下，基金的风险值要比单个资产进行投资的风险值小，可见该基金选择的各个股票之间的相关关系有较大差别，说明投资组合可以大大降低投资风险。从var和es的风险值看，es都大于var，说明es比var度量风险更为保守，也说明了var在度量风险上存在计算风险值偏低的现象，这样对基金控制风险和减少资产损失极为不利，特别是当极端事件发生时，资产组合的风险值与实际值就会发生偏差。另外从var与es的差值可出看出，置信水平越高，投资组合降低风险的程度也就越大，但是由于var不具有次可加性，从es的差值能很明显看出。
6.结论
本文为了描述特定资产具有非对称性的特征，通过对资产收益率进行egarch建模，对不存在杠杠效应的资产仍使用传统的garch模型，这与copula可以连接具有不同边际分布的函数的相关关系相符，同时考虑到var度量风险的不足，引入了es一致性风险度量，通过t-copula函数和montecarlo模拟计算出了证券投资组合的var以及es的值。最后文章对融通深证100基金风险度量的实证研究可以看出，有的金融资产收益率序列可能存在杠杠效应；而且var的确存在低估风险的不足；同时也得出了风险值var或者es在置信度越高，它们的差值越为明显，说明了本文copula-egarch（garch）模型能较好地刻画投资组合二中不同资产间非正态非线性非对称的相关性。基于该模型的风险度量方法可以为我们基金管理公司评估和管理资产组合的市场风险，从而有利于公司控制和减少资产损失提供一定的参考作用。
参考文献
张尧庭.连接函数(copula)技术与金融风险分析明[j].统计研究,2002(4):48-51.
史道济,邱男.关于外汇组合风险相关性的分析[j].系统工程,2005,23(6):90-94.
司继文,蒙坚玲,龚朴.国内外期货市场相关性研究田[j].华中科技大学学报,2004,21(1):16-19.
【关键词】基金仓位；神经网络；投资风格
一、引言
公募基金行业作为我国迅猛发展的金融理财行业，规模不断扩大，投资者队伍迅速壮大。基金仓位反映市场信心，可以作为投资者判断后市走向的重要指标。对基金仓位的预测一直是学术界和投资者感兴趣的问题之一，具有实际应用价值。对于关于基金仓位预测模型的研究，目前国内还局限于传统线性回归方法，前提假设过于苛刻，忽略了很多影响仓位的动态因素，造成无法容忍的误差。目前公募基金的仓位数据仅在每年的定期报告中有所体现，但是按照年报频率公布的基金仓位并不能作为一个连续的后市预期指标，我们希望能够得到即时基金仓位，帮助投资者规避风险。本文运用神经网络建立仓位预测模型，利用现有基金市场行为的样本，从中自主寻找规律逼近复杂的仓位走势曲线，达到更好的预期效果。
二、基金仓位预测方法综述
目前，关于基金仓位预测的方法主要包括以下三种。
1.基于收益的基金仓位分析方法，是以夏普在1992年提出的基于收益的基金投资风格分析理论为基础，通过对基金收益与市场风格指数涨跌幅进行统计计算，估算出基金在不同风格资产上的配置比例，从而获得基金投入股市的仓位值。该方法可以在一个中观的维度上为基金投资者提供较为长期的和可持续的投资建议，但是在回归过程中存在多重共线问题，可能产生较大的参数估计标准差，使得预测误差较大。
2.传统的线性预测模型，经历了三个发展阶段，由于理论和算法的创新，测算准确性也有了明显提高。第一阶段的模型，将样本基金收益率均值除以基准指数收益率得到基金平均仓位，其过程简单，处理步骤少，但是测算结果跳跃性较大，并且对基金市场指数的选取依赖性强。第二阶段的模型，对基金收益、市场指数收益时间序列数据进行回归测算，初步消除了第一阶段模型的噪声，但是回归期限过长或过短都会对仓位测算结果带来较大的误差，且固定的回归期限使测算与实际结果之间产生时滞。第三阶段的模型，对单只基金与其基准的收益序列进行动态回归，通过对回归期限的动态调整，实现仓位测算工作的智能化和自动化，由于测算的样本是基金仓位数据的云重心，因此能有效消除了前两个阶段测算模型带来的系统误差。
3.非线性数据挖掘分析法，是直接对基金持股情况进行数据挖掘，深入剖析基金组合中各类别资产的增持减持情况，依据对基金行业资产的中观分析，最终实现对基金大类资产仓位的宏观分析。此测算模型打破了RSV法仅仅依据收益数值来进行测算、结果不具可对比性的缺陷，引入收益分布、波动率等多个指标，动态测算各分类资产相应指标对基金该指标的贡献度，提高了测算的可对比度，过滤了单一指标会引起系统性误差的缺陷，并引入因子分析、聚类分析、最优化等方法，进一步提高计算结果的精确性。
本文将结合基于收益的基金仓位分析方法和非线性数据挖掘分析法，借鉴基金仓位测算模型回归方法中的自变量取值和影响因素，运用非线性系统分析法中的BP神经网络建立仓位预测模型。
三、基于BP神经网络的仓位模型构建
1.影响基金仓位变动的主要因素
本文选取的基金仓位是基于基金投入股市的资金市值和基金总资产现值，因此，所有会影响股票价格和基金价格的因素都会影响基金仓位的变动，并且，各因素之间的相互作用也会对基金仓位产生影响。
从基金净值方面考虑，基金总资产的现值与基金交易价格密切相关。影响基金净值的因素包括三个方面，即基金单位资产净值、基金市场的活跃程度和银行存款利率。其他各种政治、经济和人文因素，例如外汇市场汇率变化、资金市场利率变化、投资者的心理因素也会影响仓位。这些数据在基金定期报告中具体表现为：期末基金份额净值、基金市值、期末基金资产净值、基金收益率、基金单位交易开盘价、基金持股集中度、基金的持仓行业集中度，收市基金指数、基金换手率、基金折价率、居民价格消费指数、银行利率。
从股票市场价格方面考虑，股票的市场价格最直接的影响因素是供求关系，市场内部因素、基本面因素和政策因素通过作用于供求关系而影响股票价格。具体表现为基金持有股票组合的收益率、股票市值增长率，持有股票的开盘价、最高价、最低价、成交量、收盘价及MACD、KDJ、RSI、PSY技术分析指标。
2.因素相关性分析及边界划分
结合数据特征，本文选取2008年10月1日至2012年10月1日时间段，在此期间，已经历过金融危机，国内经济缓慢复苏，宏观政策调控没有巨大变化，华夏基金度过了2008年第三季度的最强金融危机冲击后，持续保持平稳发展。由于国际贸易收支、国际金融市场等因素不足以影响具体仓位值，政治局势、突发事件等因素不在预测范围内，所以都划在本研究边界之外。
将以上基金年报中的具体数据期末基金份额净值、基金市值、期末基金资产净值等和最终仓位值导入excel中的dataanalysis模块进行相关性分析。用Correlation工具算出Pearson相关系数，可得到期末基金份额净值、基金市值、期末基金资产净值、基金收益率、基金单位交易开盘价、基金折价率、基金换手率、收市基金指数、股票组合的收益率、股票市值增长率、股票市值加权、MACD仓位值的Pearson相关系数超过0.5，将这12个变量划在最终边界内作为研究因素。
3.数据采集与预处理
本文选择华夏基金旗下华夏成长证券投资基金、华夏大盘精选证券投资基金、华夏优势增长股票型证券投资基金等10种基金在2008年10月1日至2012年10月1日的数据，作为建立模型和网络训练的样本集。
根据模型建立的需要，BP神经网络要求样本集合理区间为[0，1]，本文运用公式X’=（X-Xmin）/（Xmax-Xmin）对样本集进行归一化处理。其中Xmax、Xmin为最大值和最小值，X为原始数据，X’为转换后数据。将数据预处理后分为两部分，前250个数据作为模型的训练集，剩余的50个数据作为模型的测试集。
图1预测模型的网络结构
4.BP神经网络建模
本文构建基金仓位预测模型，侧重研究基金一个周期中仓位走势的变化，所采集的数据无法达到海量。根据Kosmogorov定理基本原则，在有合理结构和恰当权值时，有三层结构的前馈网络就能逼近任意的连续函数，模型设计为单隐含层和输出层两个网络层次。选择期末基金份额净值、基金市值、期末基金资产净值、基金收益率、基金单位交易开盘价、基金折价率、基金换手率、收市基金指数、股票组合的收益率、股票市值增长率、股票市值加权、MACD指标作为神经网络的12个输入向量，基金仓位作为唯一输出向量。根据Kosmogorov定理，初步设定隐含层结点数为2n+l即25个，并利用BP网络默认初始化函数initnw设计初始权值。考虑到本研究的原始数据经过归一化处理后符合S型对数函数的取值范围，选择tansig作为隐含层传递函数，logsig作为输出层传递函数。学习函数选择学习率可变的动量BP算法traingdx及梯度下降动量学习函数learngdm。性能函数选用误差性能函数为均方的误差函数mse。模型网络结构如图1所示。
根据以上结构和参数，在MATLAB中建立起基金仓位预测模型，在训练200，000次，隐含层节点数目为25的情况下，训练目标达到0.0001，但是收敛速度较缓慢，未达最优模型。
5.优化模型
在优化阶段，初始节点数在[15，25]范围之间进行多次尝试比对。根据仿真输出结果与真实值间的拟合程度及误差大小，最终确定隐含层节点数目为22，其预测误差为0.29998达到最小，并且均方误差为0.000999315也为最小，收敛速度较快，达到误差目标值需经过2338次训练，训练时间适中。同时选择尝试法确定初始权值。由于网络中隐含层和输出层节点的范围在0到1之间，初始权值选择为分布在e0.1num22之间的随机数，其中num为该连接权值的输入节点数。观察监测网络的训练效果、拟合效果后，基金仓位预测模型确定最终初始权值矩阵。
建立隐含层节点数为22，优化初始权值的BP神经网络后，经过30万次训练达到训练目标，完成学习成熟的仓位预测网络。
四、实证结果分析
将50组测试集数据输入模型，在MATLAB中将预测仿真结果和实际数据进行对比，如图2所示。
1.拟合：从拟合效果图观察，每个测试基金的仓位预测结果与真实值间的偏差在可承受范围之内。获得判定系数为0.69261，拟合程度远远高于相同样本线性回归预测结果0.389。在同一预测期下不同基金的仓位预测值与真实值的相对关系是一致的，说明预测模型对于所研究的行业内的不同基金走势判断都有良好适用性，所建立的预测模型是具有一定意义和价值的。
图2模型测试数据输入输出拟合效果
2.偏差：模型偏差表现为存在预测值高于实际计算值的现象。原因在于数据时间跨度较大，期间经历奥运、世博等重大活动影响到股市和基金市场的活动，所有经济主体、金融市场都受到了不同程度的冲击，间接带动先前划在边界外的货币政策、财政政策、际贸易收支等因素的变动，影响了模型拟合度。另外边界外的基金持股集中度、居民价格消费指数、银行利率等弱相关因素的积累和相互作用都会带来拟合的偏差。关于单支基金，基金仓位在不同投资风格中也有相对差别，造成预测的偏差大于其他基金公司的原因，是华夏基金公司总体基金状况都处于市场风口浪尖的位置，这一带头特性导致预测的不可控性增强。
五、结论
本文将传统的基金仓位测算理念及影响因素同BP神经网络方法相结合，选择基于数据挖掘的BP神经网络作为基金仓位预测模型建立的基本方法，通过数据挖掘技术找出相关因素集，建立神经网络，相对于线性模型，提高了预测的准确性，同时对结果的拟合与偏差都能够获得合理的解释。本研究使信息技术更好的应用于基金投资风格研究，实现对基金仓位的科学预测，同时对于神经网络的预测应用也做出了新的探索。
参考文献
[1]王敏.基于神经网络的基金净值预测研究[J].天津大学学报，2008（5）.
[2]肖国荣.BP神经网络在基金价格预测中的应用研究[J].计算机仿真，2011（3）.
[3]李学峰，徐华，李荣霞.基金投资风格一致性及其对基金绩效的影响[J].财贸研究，2010（2）.
[4]董铁牛，杨乃定，邵予工.中国开放式基金投资风格分析[J].管理评论，2008（7）.
权益类产品是指投资于股票、股票型基金等权益类资产。包括股票，证券投资基金和股票型基金。
股票是股份证书的简称，是股份公司为筹集资金而发行给股东，作为持股凭证并借以取得股息和红利的一种有价证券。每股股票都代表股东对企业拥有一个基本单位的所有权。
证券投资基金是指一种利益共享、风险共担的集合证券投资方式，即通过发行基金单位，集中投资者的资金，由基金托管人托管，由基金管理人管理和运用资金，从事股票、债券等金融工具投资。基金投资人享受证券投资的收益，也承担因投资亏损而产生的风险。
股票型基金就是以股票为主要投资对象的基金，它是相对于债券型基金、货币市场基金等其他类型的基金而言的。市面上大多数的基金都是股票型基金，一般说来，股票型基金的收益性较高，但投资的风险也较大。
（来源：文章屋网）
