股市中线性回归与线性回归带投资技巧
- 格式:doc
- 大小:317.50 KB
- 文档页数:2
技术指标对股票超额收益率的解释作用以CCI㊁MTM㊁OSC为例冯锦晖摘㊀要:民众投资意识的不断增强ꎬ让人们对股价未来走势的预测越来越成为关注的焦点ꎮ但市面上的技术指标很多ꎬ如何进行对技术指标的选取和分析成了一大难题ꎮ文章选取了其中的三个指标:商品路径指标(CCI)㊁动量线指标(MTM)和变动速率线指标(OSC)ꎬ并以2005年1月1日到2019年6月30日的所有上证指数的上市股票(剔除已破产和ST股)为研究对象ꎬ利用纵向面板回归方法ꎬ计算指标对研究时间维度上的日均超额收益率的相关关系和线性回归ꎬ并将其解释能力与Fama-French五因子(2015)对日均超额收益率的解释能力进行比对ꎬ发现三指标均能解释五因子不能解释的部分ꎬ且加入CCI的解释能力最优ꎮ关键词:技术指标ꎻ解释能力ꎻFama-French五因子ꎻ线性回归ꎻCCI一㊁引言技术分析是金融从业者进行投资的一个重要的分析工具ꎮ所谓的技术分析ꎬ主要是通过一些图形(比如K线图)或一些技术指标(比如MA㊁MACD㊁RSI等)ꎬ再根据一些交易规则来预测股价未来趋势的方法ꎬ这些技术指标通常是利用股价㊁成交量和涨跌幅等量价数据计算得来的ꎮ技术分析是投资者对股票价格变化进行多年观察积累后的一个经验总结ꎮ利用技术分析指标进行对股价的预测是人们对股价未来走势预测的重要手段之一ꎮ但是指标的选取显得尤为重要ꎮ哪些指标对股价㊁对股票收益率的解释能力更好ꎬ相关度更高ꎬ这需要利用庞大的数据量进行分析ꎮ投资者情绪对股票投资有广泛而持久的影响ꎬ不同投资者在使用技术指标时也会受到主观因素的影响ꎬ因为在不同的时间节点ꎬ均有不同的股价技术指标在起着不同的作用ꎬ在某时间段内拥有较强解释能力的技术指标在下阶段解释作用又会减少ꎮ因此ꎬ文章通过对长达15年时间维度的数据进行分析ꎬ目的是挑选出对股价解释能力相对较好的技术指标ꎬ尽管有可能不会在所有时间段都起重要作用ꎬ但是这是一个概率统计的结果ꎮ文章引用了Fama和French(2015)中提及的五因子ꎬ分别为:市场因子(RMRF)㊁规模因子(SMB)㊁账面市值比因子(HML)㊁盈利因子(RMW)和投资因子(CMA)ꎬ以其对标的股票的超额收益率y1的解释能力为基准ꎬ和已选的三个技术指标:商品路径指标(CCI)㊁动量线指标(MTM)和变动速率线指标(OSC)进行比对ꎬ挑选出超越五因子解释能力的指标ꎮ二㊁数据来源文章采用了2005年1月1日到2017年12月31日间所有交易日的所有上证指数的股票的收盘价㊁最高价㊁最低价㊁当天的无风险利率等基础数据(剔除已破产股票以及ST股ꎬ总共1316只股票)ꎮ利用当天收盘价除以上一个交易日收盘价再减一得到日收益率yꎬ再用y减去无风险收益率Rf得到日均超额收益率y1ꎮ同时ꎬ文章利用了已提供的Fama-French五因子指标ꎮ三㊁实证分析很明显ꎬ加入三指标后ꎬ整体的拟合优度与只有五因子相比ꎬ有比较明显的提升ꎬ说明新加入的指标对股票超额收益率是有更大的解释作用的ꎮ利用三指标分别和五因子组合在一起ꎬ再与超额收益率进行线性回归ꎬ回归结果如表1ꎮ可以发现ꎬ分别加入CCI㊁MTM㊁OSC指标后ꎬ整体的拟合程度都有提升ꎮ从原来的0.3左右提升到了0.4左右ꎬ说明三个技术指标都能解释五因子所不能解释的部分ꎮ而且三个指标的回归系数都是显著的ꎬ显著性达到了99%以上ꎮ表1 回归结果y1(1)(2)(3)(4)RMRF0.997∗∗∗0.827∗∗∗0.824∗∗∗0.832∗∗∗(0.00443)(0.00420)(0.00630)(0.00719)SMB0.664∗∗∗0.552∗∗∗0.581∗∗∗0.555∗∗∗(0.0155)(0.0122)(0.0130)(0.0136)HML-0.0703∗∗∗-0.0214∗∗-0.01010.0238∗∗(0.0106)(0.00945)(0.00946)(0.0103)RMW-0.0253∗0.0512∗∗∗0.104∗∗∗0.0350∗∗(0.0140)(0.0133)(0.0136)(0.0138)CMA0.163∗∗∗-0.00929-0.0799∗∗∗0.0368∗∗(0.0119)(0.0129)(0.0140)(0.0143)cci0.116∗∗∗(0.000683)mtm0.144∗∗∗(0.00379)67财经论坛Һ㊀续表y1(1)(2)(3)(4)osc0.124∗∗∗(0.00653)_cons-0.000746∗∗∗-0.000876∗∗-0.000383∗∗∗(0.000190)(0.000107)(0.000149)N2718066271806627180662718066R20.3100.3940.4120.402㊀㊀Standarderrorsinparentheses∗p<0.1ꎬ∗∗p<0.05ꎬ∗∗∗p<0.01四㊁结论根据上述的统计分析ꎬ可以发现ꎬ在基于Fama-French五因子的比对中ꎬ文章选取的商品路径指标(CCI)㊁动量线指标(MTM)和变动速率线指标(OSC)三个指标ꎬ在随同五因子与超额收益率进行回归分析的时候ꎬ回归系数是显著的ꎬ而且在拟合优度上看ꎬ是略优于Fama-French五因子的ꎮ商品路径指标(CCI)是文章所选取的三个指标中ꎬ具有明显优于五因子的对超额收益率的解释能力ꎬ体现在了CCI加入五因子作为解释因子后ꎬ整体的拟合优度的提升ꎮ该提升比MTM㊁OSC的加入更为显著ꎮ参考文献:[1]FamaEFꎬFrenchKR.Afive-factorassetpricingmodel[J].JournalofFinancialEconomicsꎬ2015ꎬ116(1). [2]马悦怡.Fama五因子模型在中国创业板市场适用性的实证研究[J].时代金融ꎬ2019(18):51-53+57.[3]向诚ꎬ陆静.基于技术分析指标的投资者情绪指数有效性研究[J].管理科学ꎬ2018ꎬ31(1):129-148.[4]袁军.技术分析与资产定价[D].北京:对外经济贸易大学ꎬ2018.作者简介:冯锦晖ꎬ华南理工大学ꎮ(上接第75页)因ꎬ将会频繁进行买卖操作ꎬ并且投资者行为存在一致性ꎬ从而影响了股价稳定性ꎮ三㊁政策建议(一)进一步健全相关法律法规ꎬ加强行业监管进一步完善相关法律法规ꎬ加强行业监管ꎮ我国应积极出台法律法规对机构投资者内幕交易等现象进行有效约束ꎬ保障市场的公平公正ꎻ同时ꎬ加大监督ꎬ震慑操作股价等不规范市场投资行为ꎮ比如 涨停敢死队 会利用中小投资者的跟风行为获取超额收益ꎬ引导逐渐形成长期投资的市场理念ꎬ保障我国股市健康发展ꎮ(二)加强股市信息披露我国股票市场具有信息披露不透明㊁不及时的情况ꎬ一方面是机构投资者与个人投资者之间信息不对称ꎬ另一方面是上市公司与投资者之间的信息不对称ꎮ在加强机构投资者信息披露方面ꎬ可以加强龙虎榜交易的特定信息披露ꎬ对于信息披露不合格公司应按照相关法律法规的要求进行处罚ꎬ从而打击恶意操纵股价行为ꎮ在上市公司信息披露方面ꎬ充分的信息披露可有效降低公司融资成本ꎬ推动上市公司自身发展ꎬ激励独立董事发挥积极的监督作用ꎬ鼓励独立董事从自身专业出发进行独立判断ꎬ切实起到监督作用ꎮ(三)引导中小投资者形成正确投资理念相比机构投资者ꎬ中小投资者在信息和专业分析决策上处于劣势ꎬ使得个人投资者倾向于跟风进行投资决策ꎮ监管部门应同证券业协会等机构加强合作ꎬ合理开展投资者教育培训ꎬ推动个人投资者积极参与投资知识的学习ꎬ加强投资者风险意识ꎬ提升个人投资者获取和分析信息的能力ꎬ强化投资决策水平ꎮ参考文献:[1]胡大春ꎬ金赛男.基金持股比例与A股市场收益波动率的实证分析[J].金融研究ꎬ2007(4):129-142.[2]陈卓思ꎬ高峰ꎬ祁斌.机构投资者交易行为特征研究[J].金融研究ꎬ2008(4):122-130.[3]李志文ꎬ余佩瑕ꎬ杨靖.机构投资者与个人投资者羊群行为的差异[J].金融研究ꎬ2010(11):77-89.[4]类淑志ꎬ宫玉松.关于机构投资者的几个问题[J].经济学动态ꎬ2004(3):53-56.[5]SiasRꎬStarksL.Returnautocorrelationandinstitutionalin ̄vestors[J].JournalofFinancialEconomicsꎬ1997ꎬ46(1):103-131.[6]KongGꎬKongD.InstitutionalInvestors TradinginSpecula ̄tion:EvidencefromChina[J].SouthAfricanJournalofEconom ̄icsꎬ2015ꎬ83(4):617-631.作者简介:陈浩勋ꎬ华南理工大学ꎮ77。
周月年线公式的表示方式全文共四篇示例,供读者参考第一篇示例:周月年线是股市中经常用来分析趋势的一种技术指标,通过计算特定的数据点,可以帮助投资者更好地了解市场走势。
周月年线公式是根据股票价格的变动情况来计算的,下面我们来具体了解一下周月年线公式的表示方式。
周月年线是指根据不同的时间周期计算得出的趋势线,分别代表了周线趋势、月线趋势和年线趋势。
在股市分析中,这三条线的交叉点和趋势方向往往是判断买入和卖出时机的重要参考。
首先是周线趋势,周线是根据每周的收盘价计算得出的趋势线。
周线的计算公式可以表示为:\(周线= \frac{第一周收盘价+ 第二周收盘价+ ... + 第n周收盘价}{n}\)其中n表示周线的周期,通常设定为5周或10周。
通过计算得到的周线趋势能够反映出近期股价的波动情况,对短期交易起到了一定的指导作用。
与周线类似,月线也能够反映出较长时间内的股价波动情况,对中长期投资者具有重要意义。
月线趋势的变化会比周线更平稳,能够更好地反映出市场的整体趋势。
周月年线公式的表示方式是通过计算特定时间周期内的收盘价来得出不同周期的趋势线。
这三条趋势线能够帮助投资者更好地了解市场的走势,判断买入和卖出时机,是股市分析中不可或缺的重要工具。
投资者在使用周月年线时,需要结合其他技术指标和基本面分析,做出全面的判断和决策,以获得更好的投资收益。
第二篇示例:周月年线是技术分析中常用的重要指标,用来分析股票或其他证券的价格走势。
它的主要作用是确定长期趋势,帮助投资者把握市场的走势方向。
存在多种不同的计算方式来表示周月年线,下面将介绍几种常见的表示方式。
一、简单移动平均线最基本的周月年线计算方法是采用简单移动平均线。
简单移动平均线是根据一定时间段内的价格总和除以时间段的总数得到的平均值。
周线的计算方法是将一周内每一天的收盘价相加,然后除以7得到的平均值,以此类推计算月线和年线。
简单移动平均线对价格走势的变化较为敏感,能够反映市场的短期波动情况。
趋势方向的分析方法包括趋势方向的分析方法是一种通过观察数据的变化趋势来预测未来发展方向的方法。
在进行趋势方向分析时,可以采用以下几种常见的方法:1. 线性趋势分析线性趋势分析是指通过观察一段时间内的数据变化趋势,以直线的形式来判断未来发展方向。
该方法通过对数据进行统计分析,拟合出一个线性方程,然后根据该方程来预测未来发展方向。
例如,可以使用线性回归模型来预测股市的涨跌趋势。
2. 指数平滑法指数平滑法是一种通过给予过去数据不同权重来预测未来发展方向的方法。
该方法假设未来的数据变化与过去的数据变化有关,但过去的数据对未来的影响程度逐渐减小。
具体来说,指数平滑法通过计算加权平均数来预测未来数据的变化趋势。
例如,可以使用指数平滑法来预测某种产品的销售量。
3. 移动平均法移动平均法是一种通过计算一段时间内的平均值来预测未来发展方向的方法。
该方法通过观察一段时间内的数据变化趋势,计算出相应窗口内的平均值,然后根据平均值的变化来预测未来数据的趋势。
例如,在股市分析中,可以使用5日移动平均来预测股票价格的走势。
4. 时间序列分析时间序列分析是一种通过观察一系列按时间顺序排列的数据来预测未来发展方向的方法。
该方法通过分析数据的趋势、季节性和周期性等特征,并建立相应的模型来进行预测。
时间序列分析主要包括趋势分析、周期性分析和季节性分析等方法。
例如,可以使用ARIMA模型来预测未来的销售量。
5. SWOT分析SWOT分析是一种通过评估一个组织或项目的优势、劣势、机会和威胁,从而判断未来发展方向的方法。
该方法通过对内外环境因素进行分析,找出有利和不利的因素,然后根据这些因素来判断未来的发展趋势。
例如,可以使用SWOT 分析来评估一个企业的竞争态势,并预测未来的发展方向。
综上所述,趋势方向的分析方法包括线性趋势分析、指数平滑法、移动平均法、时间序列分析和SWOT分析等。
这些方法可以根据不同的数据类型和分析目的来选择和应用,以帮助我们预测未来的发展方向。
金融市场预测模型及其应用案例分析金融市场的波动性和不确定性给投资者带来了巨大的挑战,因此,准确预测金融市场的变化成为了投资者和分析师们的重要任务。
近年来,随着机器学习和人工智能技术的快速发展,金融市场预测模型得到了更为精确和可靠的提升。
本文将介绍一些常见的金融市场预测模型,并通过应用案例分析它们在实际中的应用。
1. 时间序列模型时间序列模型是一种经典的金融市场预测模型,它基于历史数据来预测未来的趋势。
ARIMA模型(差分自回归移动平均模型)是其中一种常用的时间序列模型。
它结合了自回归(AR)模型、滑动平均(MA)模型和差分(I)操作,能够较好地拟合金融市场的时间序列数据。
例如,在对股市进行预测时,我们可以使用ARIMA模型来分析历史股价数据。
模型可以识别出股价的长期趋势、季节性波动和随机波动,并根据这些模式进行未来的预测。
通过对历史数据中的股价进行拟合和回溯测试,我们可以评估模型的准确性和可靠性。
2. 神经网络模型神经网络模型是一种基于人工神经网络的金融市场预测模型,它通过模拟人脑神经元的工作原理来进行预测。
神经网络模型适用于处理大量的非线性数据,并能够学习和识别隐藏在数据中的复杂关系。
以股市预测为例,我们可以使用多层感知器(MLP)神经网络模型来预测未来股价的涨跌。
模型通过输入历史数据,学习数据的特征和模式,并根据这些特征和模式进行未来股价的预测。
通过对大量历史数据进行训练和测试,神经网络模型可以提高预测的准确性和稳定性。
3. 支持向量机模型支持向量机(SVM)模型是一种非线性分类和回归分析的有效方法,它在金融市场预测方面也有广泛应用。
SVM模型通过将数据映射到高维空间中来构建最佳的决策边界,从而实现对未知样本的准确分类。
在金融市场的应用中,SVM模型可以用于预测股票价格的涨跌。
通过使用历史股价和相关因素的数据作为输入,SVM模型可以通过寻找最优的决策边界来预测未来的股价变动,从而帮助投资者做出更好的投资决策。
均值回归研究新进展摘要均值回归现象在金融市场和其他领域中表现出重要的应用价值。
本文综述了近年来关于均值回归的最新研究进展,涵盖了其在银行业利润、国际市场、股票回报、各国股市及投资策略中的应用。
特别关注了2020年后在金融市场、外汇市场、股票价格和交易量等领域的均值回归研究。
此外,详细探讨了均值回归与神经网络结合的应用案例,包括股票市场预测、外汇市场策略、对冲基金风险管理、供应链需求预测及金融衍生品定价。
研究表明,均值回归结合神经网络在处理高维数据、提升内存效率和增强模型性能方面具有显著优势。
本文总结了这些研究成果,并为未来的研究方向提供了建议。
均值回归现象在金融市场中的应用银行业利润的均值回归研究表明,银行控股公司的利润存在显著的均值回归现象,并且在并购后进行均值回归调整后,其业绩显著高于行业平均水平。
这一现象为银行业绩预测和风险管理提供了有力的支持。
国际市场中的均值回归比较发达市场和新兴市场的均值回归速度和波动性,研究发现新兴市场的均值回归速度较快,而发达市场的波动性较高。
这一发现对于国际投资组合的构建和管理具有重要的参考价值。
股票回报和波动性分析表明,发达市场与新兴市场的年回报和波动性存在显著差异,且均值回归现象在新兴市场中表现更为明显。
这表明投资者在新兴市场中可以更好地利用均值回归现象进行投资策略的制定。
各国股市的均值回归对发达、发展中和新兴市场的股市波动性和均值回归率进行比较,结果显示发展中国家的均值回归速度最快,而新兴市场的均值回归速度最慢。
该研究结果有助于投资者更好地理解不同市场的特性,并制定相应的投资策略。
投资策略的均值回归研究表明,利用均值回归特性的在线投资策略在实际市场数据中表现优异,特别是在交易成本优化的情况下。
这些策略在已知基准数据集上表现尤为突出,为投资者提供了宝贵的策略指导。
最新的均值回归研究进展金融市场中的均值回归采用Hurst模型研究了五个金融市场的均值回归现象,发现其中四个市场存在均值回归。
Fama-French三因子模型对于中国A股市场选股有效性的探究摘要:Fama-French三因子模型是投资学领域中一种常用的股票投资模型,也被广泛应用于全球不同的股市中。
本探究基于中国A 股市场的实证数据,对Fama-French三因子模型在该市场的选股有效性进行了探讨。
探究发现,Fama-French三因子模型对于中国A股市场的选股具有一定的有效性,能够援助投资者识别出具有较高收益的优质股票。
然而,在详尽实施时,依旧需要结合市场特点进行适当的调整和优化。
1. 引言Fama-French三因子模型是由尤金·法玛(Eugene Fama)和肯尼思·法rench(Kenneth French)于1992年提出的,旨在诠释股票的超额回报。
该模型结合了市场因子、市值因子和账面市值比因素,对股票收益进行多元线性回归分析。
在国际上,Fama-French三因子模型已经被广泛接受,并被证明在许多国家的股市中有较好的诠释能力。
2. 探究方法本探究选取了中国A股市场的样本股票,包括上市公司和中小板创业板公司,时间跨度为2005年至2020年,共计16年的数据。
起首,依据Fama-French三因子模型的构建方法,计算市场因子(MKT)、市值因子(SMB)和账面市值比因素(HML),并计算每支股票的因子收益率。
然后,对每支股票的因子收益率进行多元线性回归,得出各因子对于股票收益的影响程度。
3. 探究结果探究结果显示,Fama-French三因子模型对于中国A股市场的选股具有一定的有效性。
起首,市场因子(MKT)对股票收益有显著的正向影响,即市场波动越大,股票收益越高。
其次,市值因子(SMB)对股票收益也有显著的正向影响,即市值较小的公司相对表现更好。
最后,账面市值比因素(HML)对股票收益的影响不显著,即账面市值比与股票收益之间并无明显关联。
4. 实证分析为了进一步验证Fama-French三因子模型的有效性,本探究进行了实证分析。
数据去趋势
数据去趋势(data detrending)是一种对时间序列数据进行分
析的方法,旨在消除数据中的长期趋势成分,使得数据更加稳定,便于后续的模型建立和分析。
在实际应用中,很多时间序列数据常常呈现出一定的趋势性,例如股市指数的日涨跌情况、经济增长率、气温变化等。
这些趋势性的长期变化会干扰我们对数据的分析和预测,因此需要进行去趋势处理。
数据去趋势的目标是将原始数据减去一个趋势部分,得到一个更加平稳的时间序列数据。
常见的去趋势方法有以下几种:
1. 移动平均法:通过计算指定时间窗口内的平均值来估计趋势部分,并将原始数据减去该平均值。
这种方法适用于趋势变化较为平滑的数据。
2. 线性回归法:通过拟合一个线性回归模型,将时间作为自变量,数据作为因变量进行回归分析,得到拟合线的斜率和截距。
然后通过拟合线来估计趋势部分,并将原始数据减去该拟合线。
这种方法适用于趋势变化较为线性的数据。
3. 分段线性回归法:当数据的趋势变化不是线性的时候,可以将数据分成若干段,每段内采用线性回归法进行趋势估计,然后将各个段的趋势部分合并在一起,得到完整的趋势估计结果。
这种方法适用于趋势变化较为复杂的数据。
4. 多项式拟合法:通过拟合一个高阶多项式曲线来估计趋势部分,并将原始数据减去该多项式曲线。
这种方法适用于趋势变化非线性且比较复杂的数据。
在实际应用中,需要选择适合的去趋势方法来进行数据分析。
不同的方法对数据的要求和处理效果有所不同,需要根据具体情况来确定最合适的方法。
去趋势后的数据可以更好地用于模型建立、统计分析和预测等应用中,使得结果更加准确和可靠。
研究背景 (4)基金仓位测算方法 (5)数据选取 (5)行业指数的共线性及对回归方程的影响 (5)主成分回归 (6)逐步回归 (7)岭回归 (7)Lasso回归 (8)基金仓位测算方法效果对比 (9)在普通股票型基金中测试效果对比 (9)在偏股混合型基金中测试效果对比 (12)回归时间窗口长度敏感性分析 (14)小结 (17)近期基金仓位测算观察 (18)风险提示 (19)图表1:一级行业间相关系数矩阵(2017.1.1~2018.8.10) (5)图表2:一级行业日收益率变量组主成分分析的累计方差贡献率(2017.1.1~2018.8.10) (6)图表3:对于某军工指数基金进行逐步回归法季末仓位预测 (7)图表4:普通股票型基金中各仓位测算方法效果对比 (9)图表5:普通股票型基金中各仓位测算方法统计数据 (9)图表6:2017年二季度末普通股票型基金中各仓位测算方法误差范围对比 (9)图表7:2017年三季度末普通股票型基金中各仓位测算方法误差范围对比 (10)图表8:2017年四季度末普通股票型基金中各仓位测算方法误差范围对比 (10)图表9:2018年一季度末普通股票型基金中各仓位测算方法误差范围对比 (11)图表10:2018年二季度末普通股票型基金中各仓位测算方法误差范围对比 (11)图表11:偏股混合型基金中各仓位测算方法效果对比 (12)图表12:偏股混合型基金中各仓位测算方法统计数据 (12)图表13:2017年二季度末偏股混合型基金中各仓位测算方法误差范围对比 (12)图表14:2017年三季度末偏股混合型基金中各仓位测算方法误差范围对比 (13)图表15:2017年四季度末偏股混合型基金中各仓位测算方法误差范围对比 (13)图表16:2018年一季度末偏股混合型基金中各仓位测算方法误差范围对比 (14)图表17:2018年二季度末偏股混合型基金中各仓位测算方法误差范围对比 (14)图表18:2017年四季度末普通股票型基金中各仓位测算方法误差均值随时间窗口变化曲线 (15)图表19:2018年一季度末普通股票型基金中各仓位测算方法误差均值随时间窗口变化曲线 (15)图表20:2018年二季度末普通股票型基金中各仓位测算方法误差均值随时间窗口变化曲线 (16)图表21:2017年四季度末偏股混合型基金中各仓位测算方法误差均值随时间窗口变化曲线 (16)图表22:2018年一季度末偏股混合型基金中各仓位测算方法误差均值随时间窗口变化曲线 (17)图表23:2018年二季度末偏股混合型基金中各仓位测算方法误差均值随时间窗口变化曲线 (17)图表24:普通股票型基金仓位预测值均值曲线(2018.7.4~2018.9.28) (18)图表25:偏股混合型基金仓位预测值均值曲线(2018.7.4~2018.9.28) (18)研究背景基金仓位是指基金持有的股票资产占基金资产的比例。
基于线性回归分析的白酒行业股价估量模型——以600519贵州茅台为例一、宏观经济分析通过半个学期的证券投资学学习,我们知道不论是股票发行者还是从购买者,对宏观经济的分析都是必须的。
首先,我们回顾一下近几年的国内市场状况:2011年,我国通胀压力严重,上半年CPI 一直处于高位,2011年四月CPI同比上涨5.3%,5月份CPI同比上涨5.5%。
而面对居高不下的CPI 央行不断上调银行准备金率和存款准备金率。
与此同时我国GDP增速比2010年也有所放缓。
这一点也可以从很小的方面看出来,就本校而言,今年来学校招聘的单位数量较去年前年有很明显的降低,显然是整体经济低迷造成的结果。
而证券交易又面临着自身的难题:以上海证券交易所为例,主要存在以下问题:1.市场规模很小,受众面很窄;2.存在严重的信息不对称,使得监管成本上升;3.缺少卖空机制,使得股票市场泡沫增大;4.流动性不足。
流动性是指市场中存在大量的流通性强的金融工具,同时又有大量参加流通的主体。
5.市场中介机构不完善。
6.不注重投资者回报,几乎没有企业发放红利,使得证券市场只有投机价值而没有投资价值。
这些问题都是严重影响股票合理定价的,所以使得对贵州茅台的股票定价更为困难。
基本为零的每股收益使得传统的红利贴现模型在这里无法适用。
二、白酒行业分析及茅台公司具体分析随着我国居民生活品质的提升和健康消费意识的形成,白酒消费也逐渐回归理想,白酒需求转变为追求健康、品质和品位。
高知名度、高美誉度和高品质度的“三高”白酒称谓精英人士的首选,品牌消费观念正在强化。
贵州茅台高档白酒的品牌价值、定价权优势奠定了高档白酒在激烈的市场竞争中的强势地位。
茅台作为中国高档白酒的代名词,在竞争中处于非常强势的地位。
较高的每股净资产是吸引股票市场投资者的“诱饵”。
另一方面,政府渠道的长期发展使得茅台酒的销路不存在任何问题,所以在整体经济低迷的情况下,茅台酒业的销量也不会有明显的减少。
第十四章 线性回归与线性回归带
股市中线性回归与线性回归带投资技巧
第一节 线性回归的原理
线性回归是统计学原理在技术分析上的运用,简单地说,它表现的是离价格区间最近的一条直线。
如果后面的行情是“新的”,它对于线性回归带的支撑与阻力应较敏感。如果后面的行情与前段没
什么区别,它对于线性回归带的支撑与阻力就不敏感。
如果不得不去猜测某一股票明犬的价格,较合逻辑的猜测就应该是“尽量贴近今天的价格”。如果
股票有上涨的趋势,一个好的猜测就是尽量贴近今天的价格加上一个上调值。线性回归分析正是
用统计数字来验证了这些逻辑假设。
线性回归线是用最小平方匹配法求出的两点间的趋势线。这条趋势线表示的是中间价。如果把此
线认做是平衡价的话,任何偏移此线的情况都暗示着超买或超卖。
在中间线的上方和下方都建立了线性回归通道线。通道线和线性回归线的间距是收盘价与线性回
归线之间的最大距离。回归线包含了价格移动。通道下线是支撑位,通道匕线是阻挡位。价格可
能会延伸到通道外一段很短的时间,但如果价格持续在渠道外很长一段时问的话,表明趋势很快
就会逆转了。
第二节 回归通道的绘画方法
►
一、线性回归
回归线是回归通道的毛轴线,调出该画线工具后,确定一段行情的高低点出现的时间,就可以在
走势图上自动生成回归线。
回归线是通过对股价做线性回归分析统计而形成的,它是一种有别于传统线性的趋势,最接近于
股价趋势的真实内涵。
点击查看图片
►
二、线性回归带
线性回归带的画法与线性回归完全相同,不同的是其生成与回归线平行的线,构成一个通道的形
式。
回归线上方的平行线叫通道上轨线;
回归线下方的平行线叫通道下轨线。
点击查看图片
►
三、回归通道
回归通道的画法与线性回归带是完全相同的,但是在图形上回归通道带有虚线的预测部分。
通道的实线部分叫回归确认带,就是回归确认的长度,也是进行回归起始点终点之间的距离。通
道的虚线部分叫回归预测带,就是回归通道所预铡未来走势区间。该股票的未来走势将在回归预
测带中形成技术判断。
点击查看图片
►
四、标准差通道
点击查看图片
第三节 回归通道的应用技巧
通道上轨线是通道的压力线对股价起着阻力作用,股价在此处常常遇到阻力回落。
通道下轨线是通道的支撑线,对股价起着支撑作用,股价在此处常常遇到支撑而反弹。
回归确认带是整个回归通道的核心,对其长度的确定是准确运用回归通道的关键所在,具有较高
的技巧性。需要注意以下投资要点:
o
1.通常需要用趋势线原理确定回归线
o
2.用主要趋势形成的时问跨度确定回归确认带的长度。
o
3.回归确认带的长度一经确定不可轻易改变。
o
4.当趋势线明显改变时修正回归线,并用重新确定的回归线重新确定同归确认带的长度
o
5.股价突破通道七轨线即将冲高回落:股价回落至回归线时将获得支撑而反弹:股价跌破回归线
时是卖出信号;股价跌破通道下轨线时是止损信号。
o
6.回归通道对上升第2浪有更高的预测作用。
在实际应用中如果能够和布林带或薛斯通道来相互配合使用,往往可以准确研判趋势和良好
的买卖位置。