導(dǎo)語(yǔ)：證券技術(shù)分析研究論文一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

一引言所謂證券技術(shù)分析，就是運(yùn)用證券歷史價(jià)格和成交量序列形成的特定的圖形模式，預(yù)測(cè)證券價(jià)格的未來(lái)走向，這顯然是和我們熟知的有效市場(chǎng)假設(shè)（EMH）相矛盾的。有效市場(chǎng)理論強(qiáng)調(diào)當(dāng)前已包含了所有公開信息，而未來(lái)價(jià)格是不可預(yù)測(cè)的（Fama（1970）），但自70年代開始，就逐步有理論和實(shí)證研究對(duì)其提出挑戰(zhàn)，包括一月效應(yīng)，星期效應(yīng)，小公司效應(yīng)和賬面-市價(jià)比效應(yīng)（Book-to-MarketEffect）等現(xiàn)象的發(fā)現(xiàn)，顯示市場(chǎng)上有可能出現(xiàn)系統(tǒng)性賺取超額利潤(rùn)的機(jī)會(huì)，這很自然地激起了學(xué)界研究證券技術(shù)分析有效性的興趣。二證券技術(shù)分析的早期研究目前我們所知的這個(gè)領(lǐng)域的最早的文獻(xiàn)是Alexander（1961）。他采用了一種最簡(jiǎn)單的技術(shù)指標(biāo)作為決策依據(jù)：如果股票價(jià)格從某一低位上升至少x%，買入并持有該股票；當(dāng)價(jià)格從隨后的高位下跌至少x%時(shí)，賣掉股票并等待下一個(gè)買入信號(hào)。他宣稱采用道瓊斯工業(yè)平均指數(shù)和標(biāo)準(zhǔn)普爾指數(shù)檢驗(yàn)的結(jié)果，這樣的策略較之簡(jiǎn)單的買入-持有策略能帶來(lái)顯著的利潤(rùn)。但隨后，F(xiàn)ama和Blume（1966）發(fā)現(xiàn)，Alexander的研究沒有考慮公司分紅的效應(yīng)和交易成本。采用經(jīng)股利調(diào)整的道瓊斯指數(shù)成份股價(jià)格序列，他們證明上述的交易策略不會(huì)優(yōu)于簡(jiǎn)單的買入-持有策略，即使0.1%的交易成本也足以耗盡由上述交易策略帶來(lái)的利潤(rùn)。Jensen和Benington（1970）的研究使用了更接近于實(shí)際的交易策略，即相對(duì)強(qiáng)度策略。所謂相對(duì)強(qiáng)度，定義為當(dāng)前價(jià)格與27周平均價(jià)格之比，等量投資于前x%相對(duì)強(qiáng)度最大的那些股票，在t周后重新計(jì)算所有股票的相對(duì)強(qiáng)度，并調(diào)整投資組合，即確保投資組合中的股票相對(duì)強(qiáng)度始終處于前x%。采用紐約交易所上市公司數(shù)據(jù)，他們的研究沒有發(fā)現(xiàn)超過(guò)買入-持有策略的利潤(rùn)，而且相應(yīng)的風(fēng)險(xiǎn)水平較高。早期對(duì)證券技術(shù)分析的研究有以下特點(diǎn)：1.爭(zhēng)論的焦點(diǎn)一直就是當(dāng)前價(jià)格是否集合料所有的公開信息，但在當(dāng)時(shí)，信息還是個(gè)“原子式”的概念，還要過(guò)十年，人們才開始在時(shí)間和空間兩個(gè)方向上建立信息的結(jié)構(gòu)和相應(yīng)的分析框架。2.由于當(dāng)時(shí)模式識(shí)別技術(shù)也才剛剛起步，研究中無(wú)法考慮較為復(fù)雜的圖形模式。3.除與買入-持有策略相比較外，竟然學(xué)研究中還缺少描述技術(shù)分析指標(biāo)的預(yù)測(cè)能力和盈利能力的統(tǒng)計(jì)方法，這些手段通常需要的大容量計(jì)算機(jī)也還沒有出現(xiàn)。三探索證券技術(shù)分析的理論基礎(chǔ)隨著信息經(jīng)濟(jì)學(xué)的發(fā)展，研究人員逐漸認(rèn)識(shí)到當(dāng)前價(jià)格不是所有私人信息的完美集合。例如，如果當(dāng)前價(jià)格同時(shí)受到不可觀測(cè)的股票供給以及市場(chǎng)參與者私人信息的影響，那么它自身就不可能對(duì)私人信息提供充分的估計(jì)。因此，市場(chǎng)參與者在形成他們的需求時(shí)，除使用價(jià)格外，還會(huì)使用各自的私人信息。此外，當(dāng)前價(jià)格中包含的噪音也使價(jià)格不可能完全揭示過(guò)往的私人信息。我們從而可以很自然地得出這樣的命題：歷史價(jià)格能有效地幫助投資決策，以此為出發(fā)點(diǎn)的一些模型逐漸揭示了證券技術(shù)分析的理論依據(jù)。Brown和Jennings（1989）就是這樣一個(gè)二階段含噪音理性預(yù)期模型。在他們的模型里，投資者每一階段的私人信息都是不相關(guān)的，而且每一階段的股票供給都會(huì)變化。他們證明：第一階段的價(jià)格有助于估計(jì)整個(gè)信息集，它不受第二階段公開信息和噪音的影響；對(duì)于信號(hào)均值，聯(lián)合考慮兩個(gè)階段價(jià)格的推斷嚴(yán)格優(yōu)于獨(dú)立使用第一或第二階段價(jià)格的推斷。顯然，這樣的市場(chǎng)在Fama（1970）意義上是無(wú)效率的。我們知道，多數(shù)技術(shù)分析師是十分重視成交量信息的，在實(shí)踐中，他們都會(huì)同時(shí)根據(jù)價(jià)格和成交量過(guò)往信息作出判斷。Blume，Easley和O’Hara（1994）就成功解釋了成交量對(duì)投資決策的作用。他們的模型以市場(chǎng)微觀結(jié)構(gòu)理論為基礎(chǔ)，假設(shè)某些證券基本面信息對(duì)所有投資者為未知，當(dāng)價(jià)格自身不能同時(shí)對(duì)信號(hào)的大小和精度提供完全信息的時(shí)候，模型顯示，適當(dāng)?shù)姆治龉ぞ呖梢詮某山涣繑?shù)據(jù)中提取有效信息。更為有意思的是，模型說(shuō)明，技術(shù)分析方法是投資者學(xué)習(xí)過(guò)程的一個(gè)自然結(jié)果。實(shí)際上沒有人會(huì)單獨(dú)使用技術(shù)分析方法決定股票的買賣，Goldbaum（1999）就證明，涉及基本面的條件信息集對(duì)估計(jì)股票表現(xiàn)有積極作用。文章首次引入兩類信息來(lái)幫助估計(jì)技術(shù)分析方法的有效性，其一包含四種市場(chǎng)指標(biāo)，即兩個(gè)期限結(jié)構(gòu)變量，不同風(fēng)險(xiǎn)債券的收益差，以及股票紅利收益率；其二是宏觀變量的條件信息集，例如生產(chǎn)率和貨幣存量。文章最重要的結(jié)論就是，在技術(shù)分析中合并考慮基本面市場(chǎng)信息可以提高決策過(guò)程的精確度。無(wú)疑，這不僅更符合現(xiàn)實(shí)，而且將是未來(lái)這個(gè)領(lǐng)域重要的研究方向。四對(duì)證券技術(shù)分析的實(shí)證檢驗(yàn)技術(shù)分析工具可以分為兩大類：一類是技術(shù)指標(biāo)，另一類是技術(shù)圖形。技術(shù)指標(biāo)包括移動(dòng)平均線，隨機(jī)指標(biāo)，相對(duì)強(qiáng)度指標(biāo)等，技術(shù)圖形則包括K線圖，波浪理論，三角形，發(fā)散三角形，頭肩頂?shù)?。?duì)它們的實(shí)證檢驗(yàn)，主要是檢驗(yàn)在特定市場(chǎng)上使用這些分析工具進(jìn)行投資是否能獲取有效的信息和超額利潤(rùn)。Brock,Lakonishok和LeBaron(1992)是最早研究技術(shù)分析指標(biāo)的文獻(xiàn)之一，正是它引發(fā)了金融學(xué)界對(duì)技術(shù)分析的普遍關(guān)注。他們考察了兩種簡(jiǎn)單技術(shù)交易規(guī)則—移動(dòng)平均和支持/阻力線—的盈利能力。技術(shù)分析中的移動(dòng)平均規(guī)則采用短期和長(zhǎng)期兩根移動(dòng)平均線，短期可以是1天，5天或10天，長(zhǎng)期則是50，150或200天。當(dāng)短期移動(dòng)平均向上穿越長(zhǎng)期移動(dòng)平均線時(shí)，給出買入信號(hào)；當(dāng)短期移動(dòng)平均向下穿越長(zhǎng)期移動(dòng)平均線時(shí)，給出賣出信號(hào)。而當(dāng)價(jià)格穿越當(dāng)前支持線或阻力線形成局部新低或新高時(shí)，定義為賣出或買入信號(hào)。Brock等（1992）在統(tǒng)計(jì)上首次采用非參數(shù)的bootstrap方法而不是傳統(tǒng)統(tǒng)計(jì)方法檢驗(yàn)上述技術(shù)指標(biāo)的盈利能力，目的是獲得對(duì)不同參數(shù)的所有交易規(guī)則的總體檢驗(yàn)，并利用非參數(shù)特性兼容證券收益分布普遍存在的非正態(tài)性，自相關(guān)性和條件異方差性。一般來(lái)說(shuō)，bootstrap方法就是通過(guò)一定數(shù)量的仿真得到我們感興趣的統(tǒng)計(jì)量（例如均值和標(biāo)準(zhǔn)差）在特定零假設(shè)下的仿真分布，從而建立該統(tǒng)計(jì)量的置信區(qū)間并由此判斷來(lái)自實(shí)際過(guò)程的該統(tǒng)計(jì)量的顯著性。零假設(shè)需要依據(jù)實(shí)際情況決定，這里的研究采用了四種零假設(shè)，即隨機(jī)游走，一階自相關(guān)，GARCH和指數(shù)GARCH，其中隨機(jī)游走假設(shè)可以看成等同于有效市場(chǎng)假設(shè)，后三個(gè)假設(shè)都通過(guò)對(duì)實(shí)際過(guò)程的運(yùn)用被證明成立。采用道瓊斯指數(shù)1897—1986年數(shù)據(jù)的檢驗(yàn)結(jié)果顯示，買賣信號(hào)條件收益均高度顯著，而且衡量一個(gè)投資循環(huán)績(jī)效的買賣條件收益之差高達(dá)0.93%，對(duì)應(yīng)的無(wú)條件收益僅約為0.17%。買入信號(hào)單日條件收益為0.042%（或約每年12%），相應(yīng)的賣出信號(hào)單日條件收益為-0.025%（或約每年-7%）。由此證明，移動(dòng)平均線可以有效的預(yù)測(cè)市場(chǎng)走勢(shì)。稍后人們可以看到這個(gè)領(lǐng)域的一系列深入研究，Bessembinder和Chan(1995)用幾乎相同的方法檢驗(yàn)了來(lái)自東亞6個(gè)國(guó)家和地區(qū)（泰國(guó)，馬來(lái)西亞，臺(tái)灣，韓國(guó)，香港和日本）的市場(chǎng)數(shù)據(jù)，結(jié)果與Brock等（1992）的基本類似。6個(gè)市場(chǎng)和所有交易規(guī)則平均來(lái)看，買入信號(hào)較賣出信號(hào)大0.095%（單日）或26.8%（年度）。較Brock等（1992）進(jìn)一步，他們討論了多大的交易成本可以抵消這樣的超額利潤(rùn)。就所有市場(chǎng)和所有交易規(guī)則平均來(lái)看，抵消超額利潤(rùn)的交易成本如果沒有交易滯后為1.57%，如果存在一天交易滯后為1.34%?？紤]到實(shí)際中交易成本一般小于1%，這里的超額利潤(rùn)還是可以看成是顯著的。但是，Bessembinder和Chan(1998)對(duì)道瓊斯指數(shù)成分股1926—1991年數(shù)據(jù)的檢驗(yàn)表明，0.39%的交易成本就可以抵消采用移動(dòng)平均這樣的簡(jiǎn)單交易規(guī)則帶來(lái)的超額利潤(rùn)。這個(gè)方面最新的成果來(lái)自Kwan和Kish(2002)。他們把研究對(duì)象擴(kuò)展到紐約證券交易所和NASDAQ市場(chǎng)價(jià)值加權(quán)指數(shù)和等權(quán)重指數(shù)。更為重要的是，他們開始考慮復(fù)雜交易策略,例如將移動(dòng)平均線同成交量移動(dòng)平均線結(jié)合，以及同變化率指標(biāo)結(jié)合產(chǎn)生買賣信號(hào)。這樣的思路是同人類的實(shí)際決策過(guò)程接近的。我們知道，人類的實(shí)際決策過(guò)程通常是綜合考慮多種因素的，如何對(duì)其模仿，是一項(xiàng)復(fù)雜而艱巨的課題。他們的研究顯示，不同零假設(shè)下的bootstrap分布不能完全反映市場(chǎng)的所有信息，技術(shù)分析工具是有用的；復(fù)雜的交易策略可以為投資管理提供獲利機(jī)會(huì)。K線圖用來(lái)表示某個(gè)交易日的開盤價(jià)，收盤價(jià)，最高價(jià)和最低價(jià)。在證券分析師看來(lái)，K線是預(yù)測(cè)短期走勢(shì)的重要手段，例如，開盤價(jià)和收盤價(jià)之差就預(yù)示著價(jià)格走勢(shì)的方向和程度。Fiess和Macdonald（2001）首次全面考察了K線圖的信息含量。他們?cè)噲D檢驗(yàn)這樣的假設(shè)：1.最高價(jià)和最低價(jià)可以顯示供求結(jié)構(gòu)變化的信息；2..變化的指令流對(duì)決定價(jià)格起重要作用。實(shí)證結(jié)果顯示，基于極差（最高價(jià)-最低價(jià)）的波動(dòng)率測(cè)度在提供附加信息方面優(yōu)于基于收益率的波動(dòng)率測(cè)度。前者能夠捕獲涉及市場(chǎng)微觀結(jié)構(gòu)的一些信息特性，而這些信息特性是和預(yù)示市場(chǎng)出現(xiàn)轉(zhuǎn)折的信息相關(guān)聯(lián)的。此外，結(jié)合收盤價(jià)、最高價(jià)和最低價(jià)的交易策略可能在價(jià)格走勢(shì)和波動(dòng)的預(yù)測(cè)上非常有效。Osler和Chang（1995）則首次涉及了一個(gè)著名的非線性形態(tài)--頭肩頂。他們的文章試圖估計(jì)幾個(gè)重要的匯率市場(chǎng)上出現(xiàn)的頭肩頂形態(tài)的預(yù)測(cè)能力。這里的第一個(gè)問(wèn)題就是如何從原始數(shù)據(jù)中識(shí)別出特定的幾何圖形，他們采用了將原始圖形提煉成一系列折線的辦法，利用折線的端點(diǎn)尋找符合定義的頭肩頂形態(tài)，然后可以得到圖形的條件收益，并采用前面提到的bootstrap方法，通過(guò)構(gòu)造仿真序列得到圖形的條件收益在特定零假設(shè)下的置信區(qū)間（采用的零假設(shè)模型是隨機(jī)游走和GARCH）。實(shí)證結(jié)果表明，馬克和日元可以分別得到均值為0.78%和1.5%的顯著的正收益。但是，加拿大元，瑞士法郎和英鎊的預(yù)測(cè)能力較差。作者進(jìn)一步考慮利息差和交易成本，經(jīng)過(guò)調(diào)整的馬克和日元平均條件收益仍達(dá)到0.68%和1.48%，且在統(tǒng)計(jì)上顯著。Lo，Mamaysky和Wang（2000）在這個(gè)領(lǐng)域取得重要進(jìn)展。他們引入了一套新的算法來(lái)估計(jì)和識(shí)別技術(shù)分析中復(fù)雜的非線性圖形，這就是非參數(shù)核回歸。其優(yōu)點(diǎn)在于濾除噪聲后能得到價(jià)格時(shí)間序列的離散數(shù)值表達(dá)，并通過(guò)簡(jiǎn)單的計(jì)算就可以找到價(jià)格時(shí)間序列的幾何特征。作者證明這樣的算法能成功識(shí)別十種非線性幾何圖形，包括頭肩形態(tài)，雙頭或雙底，三角形和矩形等。在解決模式識(shí)別問(wèn)題的基礎(chǔ)上，他們提出使用卡方擬合優(yōu)度檢驗(yàn)（chi-squaregoodness-of-fittest）以及Kolmogorov-Smirnov檢驗(yàn)考察圖形的預(yù)測(cè)能力,二者都是通過(guò)比較無(wú)條件收益分布和特定圖形條件收益分布給出統(tǒng)計(jì)量，顯著的統(tǒng)計(jì)量意味著特定的交易模式可以包含額外信息。此類檢驗(yàn)?zāi)苊鞔_顯示條件分布的信息含量，但不能象bootstrap方法那樣測(cè)量超額收益的顯著性。實(shí)證結(jié)果證實(shí)，對(duì)于卡方擬合優(yōu)度檢驗(yàn)，在紐約市場(chǎng)上十種圖形模式中有7種的條件收益分布顯著異于對(duì)應(yīng)的無(wú)條件收益分布，而在NASDAQ市場(chǎng)上考察的所有圖形模式的條件收益分布都顯著異于對(duì)應(yīng)的無(wú)條件收益分布；對(duì)于Kolmogorov-Smirnov檢驗(yàn)，紐約市場(chǎng)上十種圖形模式中的5種和NASDAQ市場(chǎng)上的全部圖形都有顯著的預(yù)測(cè)能力。Lo，Mamaysky和Wang（2000）的工作具有重要開創(chuàng)性，一系列拓展可以在此基礎(chǔ)上展開，例如可以引入更先進(jìn)的濾波算法；開發(fā)更精確的模式識(shí)別算法；以及設(shè)計(jì)復(fù)雜和高精度的決策程序等等。五結(jié)論近年來(lái)對(duì)證券技術(shù)分析的研究逐漸增多，它能夠?yàn)樽C券投資決策提供附加信息，這是學(xué)界已經(jīng)形成的共識(shí)。然而，什么樣的投資策略能帶來(lái)超額利潤(rùn)，如何利用這些成果指導(dǎo)投資決策，這些問(wèn)題都等待著深入的研究；計(jì)算和統(tǒng)計(jì)方法也還有待進(jìn)一步改進(jìn)；更為關(guān)鍵的是，需要在超越有效市場(chǎng)理論的基礎(chǔ)上，構(gòu)造新的資產(chǎn)定價(jià)模型。參考文獻(xiàn)Alexander,S.S.,1961,PriceMovementsinSpeculativeMarkets:TrendsorRandomWalks,IndustrialManagementReview,2,7-26.Bessembinder,H.,andKalokChan,1995,TheProfitabilityofTradingRulesintheAsianStockMarkets,Pacific-BasinFinanceJournal,3,257-284.Bessembinder,H.,andKalokChan,1998,MarketEfficiencyandtheReturnstoTechnicalAnalysis,FinancialManagement,27,Summer1998.Blume,Lawrence,DavidEasley,andMaureenO’Hara,1994,MarketStatisticsandTechnicalAnalysis:TheRoleofVolume,JournalofFinance,49,153-181.Brock,W.,JosefLakonishok,andBlakeLeBaron,1992,SimpleTechnicalTradingRulesandtheStochasticPropertiesofStockReturns,JournalofFinance,47,Dec.,1992.Brown,DavidP.,andRobertH.Jennings,OnTechnicalAnalysis,TheReviewofFinancialStudies,1,spring,1988.Fama,EugeneF.,andMarshallE.Blume,1966,FilterRulesandStock-MarketTrading,JournalofBusiness,39,226-241.Fama,EugeneF.,1970,EfficientCapitalMarket:AReviewofTheoryandEmpiricalWork,JournalofFinance,25,383-417.Fiess,N.M.,andRonaldMacdonald,2002,TowardstheFundamentalsofTechnicalAnalysis:AnalysingtheInformationContentofHigh,LowandClosePrices,EconomicModeling,19,353-374.Goldbaum,David,1999,ANonparametricExaminationofMarketInformation:ApplicationtoTechnicalTradingRules,JournalofEmpiricalFinance,6,59-85.Kwon,K.Y.,andR.J.Kish,2002a,AComparativeStudyofTechnicalTradingStrategiesandReturnPredictability:anExtensionofBrock,Lakonishok,andLeBaron(1992)UsingNYSEandNASDAQIndices,TheQuarterlyReviewofEconomicsandFinance,42,611-631.Lo,Andrew,W.,HarryMamayskyandJiangWang,2000,FoundationsofTechnicalAnalysis:ComputationalAlgorithms,StatisticalInference,andEmpiricalImplementation,JournalofFinance,55,August,2000.Osler,Carol,andKevinChang,1995,HeadandShoulders:NotJustaFlakyPattern,staffreportNo4.,FederalReserveBankofNewYork.