金融安全背景下的证券市场稳定测度新方法
时间：2021-02-22 12:03:01 来源：雅意学习网 本文已影响 人 
作者简介：欧阳天皓（1988—），男，江西南昌人，南昌大学管理学院管理科学与工程博士研究生，研究方向：金融市场，宏观经济，应用伦理。
摘要：我国证券市场经过数十年的发展，在不断的探索中渐渐成熟，但与发达国家的股票市场相比，还有不完善的地方。如我国证券市场的市值，并没有较好地与经济增长同比增长及契合实体经济的发展。通过研究20022017年的历史数据，使用支持向量机（SVM）预测证券市场的价格变化，通过误差统计分析，得出我国市场（上证交易所）与美国证券市场（纳斯达克综合指数）相比，更具不稳定性的结论。因此，可以利用套利价值（VaP）作为一种直观度量市场成熟度的参考指标。
关键词： 套利价值;有效市场假说;支持向量机;证券市场;SVM; VaP
中图分类号：F831文献标识码：A文章编号：1003-7217（2019）01-0077-07
从20世纪80年代的证券市场试点，到90年代初正式确立，我国股票市场已经有近30年的历史。期间市场有过重大的波动，也经历过重大调整。2000年后我国股市趋于稳定，总体来看，市值的大方向是向上的。股票市场已经成为我国最为重要的投资、融资渠道之一。
但我国股市由于种种原因，发展得还并不成熟。若以2000年后和中国入世为观察起点，可以发现其一个重要的问题是未能反映经济增长。从图1可以看到，我国GDP自2002年起呈稳步增长的态势，而美国GDP由于2008的金融危机有一个经济停滞的区间，2010年从衰退中走出后，美国经济才继续增长①。图2显示了上证指数与纳斯达克综合指数在相同时间段内的表现②，可以发现美国股指在2008年危机中受到重挫，但随着经济复苏而稳步成长。中国股市在20072008年和20142015年有两个剧烈的牛熊市，表现得非常不稳定。从数值看，美国2016年和2002年GDP的比值约1.7，而中国为7.1左右。股指按同样算法，纳斯
达克指数相对2002年的比值是5.5，同期上证指数是1.7左右。可以发现美国的股票市场走势较好地契合了经济增长态势，而中国股市的成长远远落后于经济增长。
虽然有很多可能的缘由，如政策市因素、其他金融产品吸引了资金等，来解释中国股市近十多年来两个非常突兀的牛熊市，以及总市值增长落后于经济成长。但不容否认的是，我国证券市场的走势表
现确实不如成熟经济体的证券市场那样稳定。而其不稳定性，是投资者（个人或机构）都可能最为担忧的问题。虽然证券市场流动性强，但是涨跌的大起大落及突如其来的行情转换，对投资者的资金安全都是不小的挑战，也不利于长期投资信心的建立。而且金融市场其本身的高流动性也存在风险传导到其他市场（如债券市场、外汇市场等），因此有必要继续对我国证券市场的风险及波动进行细致观察研究。
一、文献综述
对于市场成熟稳定的研究，一直是经济金融研究的热点，很多注重于价格稳定性或稳定的走势。因为对投资者来说，具有稳定走势的市场可以给投资带来稳定的收益。随着对微观理论研究的深入，文献研究更加注重与对市场的模式及运行状态的分析。其中较为重要的是法马（Eugene Fama）在20世纪70年代提出的有效市场假说，其已经成为金融理论中重要部分[1]。有效市场理论把市场按照其有效性进行了划分：从弱式效率（Weak Form Efficiency）到强式效率（Strong Form Efficiency），市场价格对信息的囊括是逐渐上升的，因此基于历史价格信息（在弱式效率下，通过“技术分析”）或内幕信息（在强式效率下）预测未来价格是较难的。但总体来说，每个市场都具有噪音交易者（Noise Trader），若没有的話，每个交易者都具有了充足的信息，则不可能撮合买卖交易，自然价格也不会出现波动。这和股票市场及其他金融市场的高度波动性情况不符。因此，对市场进行预测是可行的一种市场评估方式。可以对市场套利行为进行模拟，进而能在市场成熟度光谱上对不同的市场进行比较。
在金融研究中，计量是一种主流的方法，有很多股票市场价格预测的研究使用计量方法，在此不一一赘述[2，3]。一般来说，股票市场具有剧烈的波动性，也可以称之为非线性。因此线性的计量方法并不能很好地捕捉市场信息，来预测价格未来走势。很多研究把计量方法作为预测效果对比的基准，比如使用较新的人工智能方法，如神经网络方法等[4]。随着人工智能研究逐渐成熟，从20世纪90年代开始，新方法逐渐被用于预测市场价格。在预测股票价格上，Kim使用神经网络（ANN）和支持矢量机方法（SVM）取得了当时较好的效果[5，6]。早期受限于电脑性能，SVM比ANN更具有优势。Kim的文献在预测效率上，SVM的预测准确率就比ANN要高3个百分点。
但是随着电脑性能的提高和算法的进步，2000年前后，ANN算法在预测上逐渐受到重视[7]。如苏治等使用ANN对股票市场进行了预测分析[8]。因为其可以通过部署更多的神经元节点来捕捉更加复杂的模式（以股票市场为对象，就是价格随时间变化的运动模式）。同时， ANN模型其本身的可扩性更加受益于新算法，如进化算法、粒子算法[9，10]，可以在更短的时间内处理更复杂的数据/问题。所以ANN预测效率逐渐超过了SVM方法。同时，很多结合算法也在预测领域取得了良好的效果，如隐马尔可夫模型（Hidden Markov Model，HMM） [11，12]，主成分法[13，14]及决策树法[15]，等等。这些方法都各有千秋，在不同目标或功能上能取得较好的效果：主成分法可以在数据前期处理的过程中，筛去对输出影响不大的维度，可以提升整体的计算速度和精度;而隐马尔科夫模型对模式转变的捕捉效果比较好。面对不同的研究内容，灵活使用模型组合，都能较好地提升预测的效率。
本研究因为使用的数据量比较大且需要进行一步预测（onestep forecast），即每一个交易日都进行预测，故计算量较为庞大。同时一步预测时SVM的预测误差和ANN相比并没有显著的差距，所以使用SVM作为预测方法可以达到一个计算成本和精度的平衡。
