巧用资产配置法规划时间价值(资产转换理论)

利用资产轮换的市场择时和交易策略

内容摘要：基于两种风险资产之间的轮换，本文给出了的市场定时交易策略的统计和经济可行性的经验结果。利用ETF的数据以及资产的回报和波动性模型，本文将研究模型与买入和持有策略、等同权重的投资组合基准的表现进行了比较。这种策略的基本直觉来源于有关正负性和波动性可预测性的文献。

正文

本文中应用的轮换策略并不是风险中性的，它假定市场中存在套利机会。此外，模型的设定部分使用了相对回报和相对波动性之间的相互作用来获取回报最高的资产。结果表明，即使是基于相对回报移动平均值的 Naive模型，也可以优于两个基准，而且轮换模型更详细的设定可能会带来更好的性能。在许多情况下，轮换策略能产生相对回报和波动在统计学上显著的正负性预测。虽然本文的结果是以分析中使用的数据为条件的，但它们符合市场择时相关文献，并表明活跃的交易策略可以基于轮换的概念建立。

结论

本文研究了基于资产轮换的市场择时模型的统计和经济可行性，以及交易表现。利用三种广泛交易的ETF的数据，在三对资产的三个工作日（星期一、星期三和星期五）的9种模型组合中，轮换策略在8种组合中的表现最佳。研究结果表明，即使是 Naive模型也是有用的，或者至少应该作为其他市场择时轮换策略的基准。另外，正负性的成功率对于良好的交易表现极为重要，良好的正负性预测表现与更少的交易信号有关。本文提出相对回报和相对波动性可能带来潜在的盈利交易策略。总的来说，即使根据简单模型执行，市场择时策略也可以盈利，并且在用于实施轮换方法的模型的结构上还有很大的进步空间。

介绍

基于市场交易者在日常操作中确实能使用资产轮换作为潜在利润的来源的现实基础，和风险资产的正负性和波动性都可预测的文献基础，可以设想一种策略，利用正负性和波动性的可预测性，并根据资产的相对回报或相对波动性在资产之间进行轮换，可以获得潜在经济收益。本文利用成对的风险资产，对他们的回报或相对波动率进行预测，然后通过一个预先定义的规则将其转换为交易信号，进行套利交易，以期产生经济收益。

结果发现，资产轮换交易策略确实优于买入和持有策略及等同权重的投资组合基准，由于这是一种让投资者始终在市场中暴露的策略，因此它比同等权重的投资组合更具风险，但对于考虑购买和持有单一资产策略的人来说，其风险较低。另外，基于该策略，两种资产的相对正负性可以在50%以上的时间内准确预测，并且预测具有统计学意义。因此对冲等更复杂的交易策略可以基于该策略实现。

本文利用运营费用低、交易流动性高和税收结构高效的ETF的数据研究模型，基于市值、较长的历史跟踪记录和较高交易量等标准选择4种ETF，包括S&P500（SPY）、SPDR ETF(XLF)、PowerShares QQQ “Cubes”(QQQ)和Oil Services HOLDRs trust(OIH)。

对于上述4中ETF，本文使用周度OHLC数据。对于日观测数据，本文计算了基于日范围的波动率估计值，然后基于他们求和得到实际周范围的估计值。这个方法是非参数波动率估计值和仅基于周度数据的参数方法之间的良好折中。本文对一周中的周一、周三和周五进行实验。在构建了相应的波动性序列后，根据所形成的三对数据（SPY-OIH、SPY-XLF和SPY-QQQ）进行匹配。只使用与S&P 500 ETF的配对的原因是该策略的表现至少应与市场持平。

本文搭建了多个模型来预测相对回报和波动率，包括Naïve模型、移动平均（ARIMA）模型、分段线性（piecewise linear）模型和关于单个资产的对数波动性及相对波动性的自回归模型。

结果

——模型及基于资产的表现评价

表1-表3分别罗列了周一、周三、周五的实验结果，包括累计回报（以$1作为起始资金）、周度平均回报、周度标准差、周度夏普比率和最大损失。

本文基于终期资产和周度夏普比率，对轮换策略和买入和持有策略及等同权重的投资组合基准进行对比。在这9组实验中，轮换策略8次位居榜首。其中，分段线性模型3次位居第一（SPY-XLF周一、SPY-QQQ周一和SPYQQQ周五），ARIMA模型2次位居第一（SPY-OIH周三和周五），基于波动率变化的模型2次位居第一（SPY-OIH周一、SPY-XLF周三）， Naive模型1次位居第一（SPY-XLF周三）。另外，等同权重投资组合和XLE (financials) ETF单个资产投资模型从未进入榜首。

对比最佳轮换模型和等同权重投资组合及每对ETF中表现最佳的单个资产的终期资产，本文发现市场择时策略比等同权重投资组合及任一单一资产的买入和持有策略都表现更好。但轮换策略的风险相比等同权重投资组合显然更大，它的最大损失基本为每对ETF的最大损失中更大的那个。

对比模型波动性特性，SPY-OIH的波动性差别最大，SPY-QQQ的波动性差别最小。对于SPY-OIH，分段线性模型并没有基于波动性的择时模型更好，但是对于SPY-QQQ，分段线性模型表现更佳。这是因为这一对ETF中的任一个ETF的波动性相对于另一个的不处于支配性地位。同时，本文也发现了一个周期效应：SPY-OIH的最佳日期是周三和周五，SPY-XLF的最佳日期是周一，SPY-QQQ的最佳日期是周五。

——资产轮换的交易行为

为了进一步研究轮换模型的交易行为，本文计算了与交易数量、交易时间、交易持续时间和轮换概率相关的统计数据。此处只代表性地呈现周三的结果。

对于SPY-OIH周三， Naive模型、ARIMA模型和分段线性模型的平均交易时间分别为88.6%、55%和57%。由上文提到的表现评价可以看出，SPY-OIH周三中表现最佳的是ARIMA模型，然后是 Naive模型。因此在现有的任何交易成本下，ARIMA模型都表现更好。以一次轮换作为一次交易的话，移动平均模型在交易的情况下比不交易的情况下持续性更强，都接近55%。Naive模型的相应概率要高得多，都超过80%。Naive模型无交易的最长持续时间为19周，移动平均模型为6周，分段线性模型为10周。交易（即连续交换）的最长持续时间分别为20、8和14周。

对于SPY-XLF周三， Naive模型、ARIMA模型和分段线性模型的平均交易时间分别为10%、44%和38%。现有的任何交易成本下， Naive模型的表现最佳。这三个模型的无交易的最长持续时间分别为98周、10周和 34周，交易（即连续交换）的最长持续时间分别为18周、6周和5周。显然，SPY-XLF周三的结果与SPY-OIH周三的截然不同。

对于SPY-QQQ周三，没有任何模型的交易行为比表现最好的资产更好，但交易特征与SPY-OIH相似。

——正负性成功率与波动性

表7给出了正负性成功率，即平均正确轮换率的结果。当轮换模型优于参考基准时，正负性成功率显著高于50%。

本文还了通过卡方检验研究波动性与生成正确的正负性预测和成功的交易信号之间的独立性（反之，依赖性），结果如表。其中Y为统计正相对回报预测值的变量，Z为统计正确的正相对回报预测值的变量，X为统计第一个资产的波动性是否高于第二个的变量。

对于SPY-OIH周一，分段线性模型（即周一最佳夏普比率的相对回报交易模型）的Y和X表现出了依赖性。对于SPY-OIH周三，ARIMA模型（此情况下的最佳模型）和分段线性模型的Y和X、Z和X都表现出了依赖性。对于SPY-OIH周五， Naive模型（此情况下排名第二的模型）的Y和X、Z和X都表现出了依赖性。对于SPY-XLE和SPY-QQQ的所有天数，都只在 Naive模型的Y和X、Z和X之间找到了依赖性。

这些结果没有确凿证据表明更高的波动率和更高的正负性成功率之间存在潜在关系。只有SPY-XLE和SPY-QQQ中的 Naive模型的结果受到波动性的影响。值得注意的是，一周中的某一天可能是交易表现的一个关键因素，也可能是对这种表现的一种解释。

温馨提示：通过以上关于利用资产轮换的市场择时和交易策略内容介绍后，相信大家有新的了解，更希望可以对你有所帮助。